面向阿尔茨海默病进展的带单调性约束的深度几何学习
人工智能
2023-10-06 v1 机器学习
摘要
阿尔茨海默病（AD）是一种毁灭性的神经退行性疾病，会发展为渐进且不可逆的痴呆；因此，预测其随时间进展对临床诊断与治疗至关重要。大量研究利用结构磁共振成像（MRI）建模 AD 进展，聚焦于三个关键方面：（i）时间变异性，（ii）不完全观测，以及（iii）时间几何特征。然而，基于深度学习、针对数据变异性与稀疏性的方法尚未充分考量固有的几何属性。基于常微分方程的几何建模方法（ODE-RGRU）近期通过将循环神经网络与黎曼空间中的 ODE 相结合，成为建模时间序列数据的一种有前景的策略。尽管取得成效，ODE-RGRU 在从不完全样本外推正定对称度量时存在局限，导致特征逆向出现，这一问题尤为棘手，特别是在临床方面。因此，本研究提出一种新颖的几何学习方法，通过结合三个模块——拓扑空间偏移、ODE-RGRU 与轨迹估计——对纵向 MRI 生物标志物与认知评分进行建模。我们还开发了将流形映射与单调性约束相结合的训练算法，以反映测量转移不可逆性。我们在规律与不规律设定下，通过预测临床标签与认知评分随时间变化验证了所提方法的有效性。此外，我们通过消融研究对所提框架进行了透彻分析。
引用
@article{arxiv.2310.03353,
title = {Deep Geometric Learning with Monotonicity Constraints for Alzheimer's Disease Progression},
author = {Seungwoo Jeong and Wonsik Jung and Junghyo Sohn and Heung-Il Suk},
journal= {arXiv preprint arXiv:2310.03353},
year = {2023}
}