个性化动态集成的阿尔茨海默症辅助诊断模型

针对阿尔茨海默症(AD)分类模型大多没有针对输入样本制定特定的策略,导致容易忽略样本间的个性化差异信息的问题,提出个性化动态集成AD分类模型。该模型考虑到输入样本间脑区退化程度的差异性,利用注意力机制评估特定于输入样本的各脑区退化程度,并根据脑区退化程度对脑区特征进行挑选和融合;同时通过重新设计损失函数,解决未被选中脑区无法获得优化梯度的问题,从而提高AD分类性能。实验结果表明,该模型在AD vs.HC(正常组)、MCIc(会向AD转化的轻度认知障碍)vs.HC以及MCIc vs.MCInc(不会向AD转化的轻度认知障碍)中的分类准确率表现分别提升4%、11%以及8%。同时,模型定位到的退化脑区功能与AD临床表现具有高度一致性。