DeepAD：一种面向真实世界临床应用的鲁棒阿尔茨海默病进展深度学习模型
机器学习
2023-09-08 v5 图像与视频处理
摘要
预测患者未来轨迹是开发针对阿尔茨海默病（AD）等复杂疾病疗法的重要一步。然而，大多数为疾病进展预测而开发的机器学习方法要么是单任务模型，要么是单模态模型，无法直接应用于我们这种涉及高维图像多任务学习的场景。此外，这些方法大多在单一数据集（即队列）上训练，无法泛化到其他队列。我们提出了一种新颖的多模态多任务深度学习模型，通过分析来自多个队列的纵向临床与神经影像数据来预测AD进展。我们提出的模型将来自三维卷积神经网络的高维MRI特征与其他数据模态（包括临床与人口统计学信息）相整合，以预测患者的未来轨迹。我们的模型采用对抗损失来缓解研究特定的成像偏倚，特别是研究间的域偏移。此外，应用锐度感知最小化（SAM）优化技术以进一步提升模型泛化能力。所提出的模型在多个数据集上进行了训练与测试，以评估和验证结果。我们的结果表明：1）我们的模型相较基线模型有显著改进；2）使用三维卷积神经网络提取的神经影像特征的模型，在应用于MRI衍生的体积特征时表现优于同类模型。
引用
@article{arxiv.2203.09096,
title = {DeepAD: A Robust Deep Learning Model of Alzheimer's Disease Progression for Real-World Clinical Applications},
author = {Somaye Hashemifar and Claudia Iriondo and Evan Casey and Mohsen Hejrati and for Alzheimer's Disease Neuroimaging Initiative},
journal= {arXiv preprint arXiv:2203.09096},
year = {2023}
}