用于阿尔茨海默症分期早期检测的多模态深度学习模型.pdfVIP

用于阿尔茨海默症分期早期检测的多模态深度学习模型

目前大多数阿尔茨海默症（AD）和轻度认知障碍（MCI）研究使

用单一数据模式来预测，例如AD的分期。多种数据模式的融合可以提

供AD分期分析的整体视图。因此，我们使用深度学习对成像（磁共振

成像（MRI））、基因（单核苷酸多态性（SNPs））和临床测试数据

进行综合分析，将患者分为AD、MCI和对照组（CN）。我们使用堆

叠降噪自编码器从临床和基因数据中提取特征，并使用3D卷积神经网

络（CNN）来处理成像数据。我们还提出了一种新的数据解析方法，

通过聚类和扰动分析来识别深层模型学习到的表现最好的特征。使用

ADNI的数据集，我们证明了深层模型的性能优于浅层模型，包括支持

向量机（SVM）、决策树、随机森林和k近邻（KNN）。此外，我们

还证明了集成多模态数据在准确率、精确度、召回率和平均F1分数方

面优于单通道模型。我们的模型已将海马体、杏仁核脑区和雷伊听觉

言语学习测试（RAVLT）确定为最主要的特征，这与已知的AD文献一

致。本文发表在Scientificreports杂志。深度学习在多种疾病的

临床决策支持方面显示出了巨大的潜力，包括糖尿病性视网膜病变、

癌症以及阿尔茨海默症（用于成像分析）。与其他浅层模型相比，深

度学习模型的主要优点是能够直接从给定标签示例的原始数据中学习

最具预测性的特征。在诸如影像、电子健康记录（EHR）和SNPs等单

一数据模式下，深度学习已经展现出优于浅层学习的效果。深度学习

技术还有助于在仅存在部分数据的情况下进行训练和预测。在这项研

究中，我们开发了一种新的用于临床决策支持的深度学习架构，它使

用多模态数据（影像、临床数据和基因信息）预测阿尔茨海默症（AD）

的分期。AD是美国最常见的神经退行性疾病和第六大致死病因。

预计到2030年，全世界AD的疾病负担将达到2万亿美元，这就需要

及早发现。尽管进行了广泛的研究并在临床实践中取得了进步，但只

有不到50%的AD患者根据其临床症状准确地诊断出其病理和疾病进

展。阿尔茨海默症最确凿的证据是组织病理学中存在淀粉样斑和神经

原纤维缠结。然而，阿尔茨海默症的早期发病与斑块的存在无关，而

与突触和神经元的缺失有关。ADNI的数据和数据挖掘策略的研究

仍在进行中，以提高我们对潜在疾病进展的理解。AD生物标记物包括

临床症状（如痴呆症、记忆力减退）、神经系统测试和分数（例如

MMSE分数），通过成像、基因和蛋白质生物标记物得到增强。这些

研究大多使用单一数据模式识别生物标记物，这限制了对AD疾病进展

的整体评估。已经有结合了各种成像模式的AD多模态分析，例如结构

性MRI（T1加权、T2加权）、功能性MRI、正电子发射断层扫描

（PET）和影像基因学。此外，基因学已与临床数据结合使用，以增加

数据标签和表型。除了浅层学习，自编码器和深度信念网络（表A1）

等深度学习模型已被用于PET和MRI影像数据的融合，并改进了预测。

表A1阿尔茨海默症文献中的深度学习方法。该表对深度学习方法

和研究设计进行了简要说明。

在本研究中，我们进一步利用多模态AD数据融合，通过深度学习

结合影像、EHR和基因组SNP数据，将患者分为对照组（CN）、

MCI和AD组，从而推进AD的分期预测。我们分别对EHR和SNP数

据使用堆叠降噪自编码器，以及新型的3D卷积神经网络（CNNs）来

训练MRI成像数据。在对每个数据模态分别训练网络后，我们使用不

同的分类层将它们组合起来，包括决策树、随机森林、支持向量机和k

近邻。我们使用包含SNP（808例患者）、MRI成像（503例患者）

以及临床和神经系统测试数据（2004例患者）的ADNI数据集证明了

我们整合模型的性能。尽管使用多种类型的数据在临床决策支持方

面表现优异，但广泛采用深度学习模型进行临床决策的一个主要缺点

是缺乏解释深层模型定义的方法。我们通过开发新的扰动算法和基于

聚类的方法寻找有助于决策的最重