用于基于解剖形状与表格临床数据的生存分析的宽深神经网络

我们引入一种宽深神经网络，用于预测轻度认知障碍患者向阿尔茨海默病的进展。来自解剖形状和表格临床数据（人口统计学、生物标志物）的信息在单一神经网络中融合。该网络对形状变换具有不变性，并避免了在形状间建立点对应关系的需要。为处理右删失的时间事件数据，即仅已知患者在某一特定时间点前未发展为阿尔茨海默病，我们采用生存分析中常用的损失函数。我们的网络端到端训练以结合患者的海马体形状和临床生物标志物信息。我们在阿尔茨海默病神经影像倡议数据上的实验表明，我们提出的模型能够学习一种增强临床生物标志物的形状描述子，并且优于仅基于形状的深层神经网络和基于常见临床生物标志物的线性模型。