可解释的图论机器学习：在阿尔茨海默病预测中的应用
机器学习
2025-03-21 v1
摘要
阿尔茨海默病（AD）影响全球5000万人，预计到2050年将超过1.52亿。AD 的特征是认知能力下降，部分原因是大脑代谢连接的破坏。因此，早期准确检测代谢脑网络损伤对 AD 管理至关重要。识别此类损伤的关键在于 FDG-PET 数据。尽管取得了进展，但大多数使用 FDG-PET 数据的基于图的研究依赖于组级分析或阈值化。然而，组级分析可能掩盖个体差异，而阈值化可能忽略较弱但生物学上至关重要的大脑连接。此外，基于机器学习的 AD 预测很大程度上侧重于单变量结果，如疾病状态。在此，我们引入可解释的图论机器学习（XGML），这是一个采用核密度估计和动态时间规整构建个体代谢脑图的框架，该框架捕获成对大脑区域之间的距离，并识别最能预测多变量 AD 相关结果的子图。使用来自阿尔茨海默病神经影像学计划的 FDG-PET 数据，XGML 构建代谢脑图，并揭示在新受试者中预测八项 AD 相关认知评分的子图。XGML 表现出稳健的性能，特别是在预测衡量学习、记忆、语言、运用和定向的评分方面，例如 CDRSB（）、ADAS11（）和 ADAS13（）。此外，XGML 揭示了对几项 AD 相关结果具有共同但差异性预测作用的关键边缘；它们可作为评估整体认知下降的潜在网络生物标志物。综上所述，我们展示了图论机器学习在生物标志物发现和疾病预测方面的前景，及其增进我们对 AD 潜在网络神经机制理解的潜力。
引用
@article{arxiv.2503.16286,
title = {Explainable Graph-theoretical Machine Learning: with Application to Alzheimer's Disease Prediction},
author = {Narmina Baghirova and Duy-Thanh Vũ and Duy-Cat Can and Christelle Schneuwly Diaz and Julien Bodlet and Guillaume Blanc and Georgi Hrusanov and Bernard Ries and Oliver Y. Chén},
journal= {arXiv preprint arXiv:2503.16286},
year = {2025}
}