通过相似性学习和图扩散聚类阿尔茨海默病亚型
机器学习
2024-10-08 v1 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
阿尔茨海默病(AD)是一种复杂的神经退行性疾病，影响数百万人。由于AD的异质性，其诊断和治疗面临着关键挑战。因此，近年来越来越多的研究者致力于识别能够帮助解决这些挑战的AD亚型。在本研究中，我们旨在利用图扩散和相似性学习识别代表不同临床特征和潜在病理特征的AD亚型。我们采用SIMLR，这是一种多核相似性学习框架，结合图扩散，对829例AD和轻度认知障碍(MCI，AD的前期阶段)患者进行聚类分析，这些患者根据其从磁共振成像(MRI)扫描中提取的皮层厚度进行分组。尽管我们所使用的聚类方法此前未用于AD亚型任务，但其显示出比几个常用聚类方法更好的性能。具体而言，我们展示了图扩散在降低亚型检测中的噪声效应的强大功能。我们的结果揭示了5个亚型在生物标志物、认知状态以及其他一些临床特征方面的显著差异。为进一步评估所得亚型，我们进行了遗传关联研究，成功识别了不同AD亚型的潜在遗传基础。我们的源代码可在https://github.com/PennShenLab/AD-SIMLR上获取。
引用
@article{arxiv.2410.03937,
title = {Clustering Alzheimer's Disease Subtypes via Similarity Learning and Graph Diffusion},
author = {Tianyi Wei and Shu Yang and Davoud Ataee Tarzanagh and Jingxuan Bao and Jia Xu and Patryk Orzechowski and Joost B. Wagenaar and Qi Long and Li Shen},
journal= {arXiv preprint arXiv:2410.03937},
year = {2024}
}
备注
ICIBM'23': International Conference on Intelligent Biology and Medicine, Tampa, FL, USA, July 16-19, 2023