基于深度因子分解机模型的阿尔茨海默病诊断
机器学习
2021-09-28 v1 计算机视觉与模式识别
摘要
当前最先进的用于阿尔茨海默病诊断的深度神经网络（DNNs）使用不同的生物标志物组合对患者进行分类，但不允许提取关于生物标志物相互作用的知识。然而，为了增进对该疾病的理解，从所学模型中提取此类知识至关重要。本文中，我们提出一种深度因子分解机模型，它结合了DNNs学习复杂关系的能力与线性模型易于解释的特性。所提模型包含三部分：（i）处理稀疏类别数据的嵌入层，（ii）高效学习成对交互的因子分解机，以及（iii）隐式建模高阶交互的DNN。在阿尔茨海默病神经影像倡议数据上的实验中，我们证明所提模型比对比模型更准确地区分认知正常、轻度认知障碍及痴呆患者。此外，我们展示了可以获得关于生物标志物间相互作用的有价值知识。
引用
@article{arxiv.2108.05916,
title = {Alzheimer's Disease Diagnosis via Deep Factorization Machine Models},
author = {Raphael Ronge and Kwangsik Nho and Christian Wachinger and Sebastian Pölsterl},
journal= {arXiv preprint arXiv:2108.05916},
year = {2021}
}
备注
Accepted at International Workshop on Machine Learning in Medical Imaging (MLMI) 2021