神经退行性疾病间的疾病知识迁移

我们提出疾病知识迁移（DKT），一种在相关神经退行性疾病间迁移生物标志物信息的新技术。DKT 通过从常见神经退行性疾病的大规模多模态数据集迁移信息，即使在仅有有限的单模态数据可用时，也能推断罕见神经退行性疾病中稳健的多模态生物标志物轨迹。DKT 是一种生物标志物进展的联合疾病生成模型，它利用跨疾病共享的生物标志物关系。我们提出的方法首次实现了在后皮质萎缩（PCA）——一种仅有单模态 MRI 数据的罕见神经退行性疾病——中估计合理的多模态生物标志物轨迹。为此，我们在包含两种不同疾病及不同数据量的合并数据集上训练 DKT：1）来自 TADPOLE Challenge 的较大规模多模态典型 AD（tAD）数据集；2）来自 Dementia Research Centre (DRC) 的较小规模单模态后皮质萎缩（PCA）数据集，其仅有有限数量的磁共振成像（MRI）扫描。尽管由于 PCA 中缺乏数据使得验证具挑战性，我们在合成数据与两个患者数据集（TADPOLE 与 PCA 队列）上验证 DKT，表明其能在模拟中估计真值参数，并在两个患者数据集上预测未见生物标志物。虽然我们在阿尔茨海默病变体中演示了 DKT，但我们注意到 DKT 可推广至其他形式的 related 神经退行性疾病。DKT 源代码在线可得：https://github.com/mrazvan22/dkt。