一种自引导的多模态方法用于阿尔茨海默病图表示学习的提升
机器学习
2024-12-10 v1 人工智能
摘要
图神经网络（GNN）是一种处理非规则结构数据的数据驱动机器学习模型。然而，其通用设计往往不足以用于分析阿尔茨海默病（Alzheimer's Disease, AD）中的脑连接网络，凸显了需纳入领域知识以实现最佳性能的必要性。将AD相关知识注入GNN是一个复杂的任务。现有方法通常依赖于计算机科学家与领域专家之间的合作，这既耗时又需要大量资源。为此，本文提出了一种新颖的自引导、知识驱动的多模态GNN，能够在模型开发过程中自主整合领域知识。我们的 метод将领域知识概念化为自然语言，引入一种专门的多模态GNN，能够利用这种作为未经整理知识来指导GNN的学习过程，从而提升模型性能并加强预测可解释性。为评估本框架，我们构建了一套最新的同行评审AD论文数据集，并将其与多个真实世界的AD数据集相集成。实验结果表明，我们的方法能够提取相关领域知识，为AD诊断提供基于图的解释，并提升GNN的整体性能。该方法为AD提供了一种更具可扩展性和效率的知识注入方式，相较于领域专家的手动设计，推动了AD诊断中的预测准确性和可解释性的提升。
引用
@article{arxiv.2412.06212,
title = {A Self-guided Multimodal Approach to Enhancing Graph Representation Learning for Alzheimer's Diseases},
author = {Zhepeng Wang and Runxue Bao and Yawen Wu and Guodong Liu and Lei Yang and Liang Zhan and Feng Zheng and Weiwen Jiang and Yanfu Zhang},
journal= {arXiv preprint arXiv:2412.06212},
year = {2024}
}