Мультимодальные модели глубокого обучения для раннего выявления стадии болезни Альцгеймера
Multimodal deep learning models for early detection of Alzheimer’s disease stage
2021-02-05
SCID: 54.1/qkkgaxuy
Discuss with AI
3D-сверточные нейронные сетинабор данных ADNIстадирование болезни Альцгеймерамультимодальное глубокое обучениестековые шумоподавляющие автокодировщики
Figures from the paper
Abstract (AI)
В большинстве современных исследований болезни Альцгеймера (БА) и легких когнитивных нарушений (ЛКН) для прогнозирования, например определения стадии БА, используется единственная модальность данных. Объединение нескольких модальностей данных позволяет получить целостное представление о стадировании БА. Поэтому мы применяем глубокое обучение (DL) для комплексного анализа визуализационных данных (магнитно-резонансной томографии (МРТ)), генетических данных (однонуклеотидных полиморфизмов (SNP)) и данных клинических тестов с целью классификации пациентов на группы БА, ЛКН и когнитивно здоровых лиц контроля (CN). Для извлечения признаков из клинических и генетических данных мы используем каскадные автоэнкодеры с подавлением шума, а для визуализационных данных — трехмерные сверточные нейронные сети (3D-CNN). Кроме того, мы разрабатываем новый метод интерпретации данных для выявления наиболее информативных признаков, изученных глубокими моделями, с помощью кластерного анализа и анализа возмущений. На наборе данных Инициативы по нейровизуализации болезни Альцгеймера (ADNI) мы показываем, что глубокие модели превосходят неглубокие модели, включая машины опорных векторов, деревья решений, случайные леса и алгоритмы k ближайших соседей. Кроме того, мы демонстрируем, что интеграция мультимодальных данных превосходит модели, основанные на одной модальности, по показателям точности, прецизионности, полноты и среднего значения F1. Наши модели выявили гиппокамп, миндалину и тест слухоречевого обучения Рея (RAVLT) как наиболее дискриминирующие признаки, что согласуется с устоявшимися данными литературы о болезни Альцгеймера.
Key Findings
1
Мультимодальная система глубокого обучения объединяет данные МРТ, SNP и клинических тестов для классификации пациентов на группы болезни Альцгеймера, лёгких когнитивных нарушений и когнитивно здоровых лиц.
2
Анализ интерпретируемости выявляет гиппокамп, миндалевидное тело и тест слухоречевого обучения Рея как наиболее различительные признаки, что согласуется с известными данными об болезни Альцгеймера.
3
Объединение мультимодальных данных превосходит модели на основе одной модальности по точности, precision, recall и среднему показателю F1.
4
На наборе данных ADNI модели глубокого обучения превосходят традиционные методы, включая метод опорных векторов, деревья решений, случайные леса и метод k ближайших соседей.
5
Для извлечения признаков из клинических и генетических данных применяются многослойные зашумляющие автоэнкодеры, а данные МРТ обрабатываются трёхмерными свёрточными нейронными сетями.
Research Object
лица с болезнью Альцгеймера, лёгкими когнитивными нарушениями и нормальным когнитивным статусом, охарактеризованные по данным МРТ, SNP и клинических тестов
Research Subject
классификация стадии заболевания на основе мультимодального глубокого обучения и выявление различающих признаков визуализации, генетических и клинических данных
Publication Details
Publication Date
2021-02-05
Journal
Publisher
ISSN
Cited by
745
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest