基于多模态影像特征的AD诊断研究

目的:探究多模态融合特征对阿尔茨海默病(Alzheimer’s disease,AD)病程诊断性能的影响。方法:以阿尔茨海默病神经影像学计划数据库中81例受试者的多模态影像数据为研究对象,在卷积神经网络提取的T_(1)加权成像(T_(1) weight image,T_(1)WI)特征基础上,利用图卷积神经网络(graph convolutional neural networks,GCN)提取弥散张量成像(diffusion tensor imaging,DTI)脑白质网络特征,然后采用类别提升集成算法融合多模态特征进行AD诊断预测。结果:在DTI脑白质网络特征学习中,GCN模型的诊断准确率为80.0%,优于传统机器学习模型;在单、多模态的AD诊断性能比较中,基于多模态特征的诊断准确率为85.3%,优于T_(1)WI单模态特征。结论:各模态特征间存在一定互补性,GCN可以提取DTI影像中更具表征性的脑连接网络特征,与T_(1)WI特征融合可进一步提高AD的诊断性能。

迁移学习在阿尔茨海默病早期诊断中的应用

阐述了迁移学习方法及其在阿尔茨海默病早期诊断研究领域中的应用.首先,对迁移学习方法在阿尔茨海默病分类诊断研究中的应用进行了分析.接着,介绍了迁移学习相关的理论知识.然后,详细介绍了基于迁移学习算法在阿尔茨海默病诊断研究中的进展,分别从基于样本的迁移、基于特征的迁移和基于模型的迁移等三方面进行了分析.最后,提出了当前迁移学习在该领域存在的问题和挑战以及未来发展趋势.

基于多分类器和多模态特征的AD患者鉴别研究

已有很多成果利用结构功能磁共振成像、静息态功能磁共振成像等成像数据研究机器学习判别分析在阿尔茨海默病患者诊断中的应用,经进一步分析发现,如果能够综合利用多种模态成像特征数据将为分类器提供更丰富、全面的信息,有利于最终的判别分析。在这项研究中,提出一种将结构功能磁共振成像、静息态功能磁共振成像两种成像模态提取的特征结合的机器学习分类算法应用于阿尔茨海默病患者鉴别的方法,相比利用单一模态数据的鉴别模型具有显著优势。

阿尔茨海默病患者血液差异表达microRNA的生物信息学分析

筛选阿尔茨海默病相关血液microRNA作为诊断阿尔茨海默病疾病的分子标志物,探讨其在阿尔茨海默病中的作用及机制。在基因公共表达数据库中下载阿尔茨海默病病人血液及正常对照的表达谱数据,采用R语言筛选差异microRNA的方法 ,并通过在线工具string以及cytoscape构建其调控网络获得核心调控因素。结果显示,筛选到可能作为阿尔茨海默病疾病相关分子标志物的microRNA共9条。这些microRNA靶标基因涉及的功能主要有小G蛋白介导的信号转导、启动子转录调控、心脏小梁形态、活性氧依赖性反应、蛋白复合物的组装、细胞铁离子稳态以及血管生成等。主要参与调控的信号通路包括FOXO信号转导通路、Ras信号途径、过氧化物酶体信号转导途径、促性腺激素释放激素信号转导通路、雌激素信号转导通路、非小细胞肺癌、T细胞受体信号通路等。最终筛选到核心调控因子microRNA-148、microRNA-17以及microRNA-660。由此可知,microRNA-148、microRNA-17、microRNA-660 3种microRNA可能作为主要调控因素参与了阿尔茨海默病病人血液中的调控机制,可作为诊断阿尔茨海默病的候选分子标志物。