阿尔茨海尔病脑网络挖掘

阿尔茨海尔病 (AD) 诊断的机器学习方法面临根本性挑战。临床评估昂贵且侵入性，使得神经影像数据集中仅有少数受控标签可用。我们引入多视角自适应传输聚类用于异构阿尔茨海尔病 (MATCH-AD)，这是一种半监督框架，集成了深度表示学习、图基标签传播和最优传输理论，以解决这一限制。该框架利用神经影像数据中的流形结构，从有限的标记样本向更大的无标记人群传播诊断信息，同时利用 Wasserstein 距离量化认知状态之间的疾病进程。我们在来自全国阿尔茨海尔协调中心的近五千名受试者上进行评估，涵盖来自数百个脑区的结构 MRI 测量、脑脊液生物标志物和临床变量。MATCHAD 尽管受控标签仅占受试者总数的三分之一，即可实现接近完美的诊断准确性。该框架在所有基准方法中均显著优于，kappa 值表明其诊断可靠性实现了从弱一致性到近乎完美的质变。即使在严重的标签稀缺下，性能仍具临床实用性，我们提供了理论收敛保证，并给出标签传播误差和传输稳定性的已知界限。这些结果表明，原则性的半监督学习可以释放广泛收集的部分标注神经影像数据的诊断潜力，在保持适合临床部署的准确性的同时，大大减少了标注负担。