HOPE：用于轻度认知障碍进展预测的混合粒度序数原型学习
图像与视频处理
2024-01-24 v1
摘要
轻度认知障碍 (MCI) 通常具有较高的进展为阿尔茨海默病 (AD) 的风险。现有识别进展性 MCI (pMCI) 的工作通常需要 MCI 亚型标签（pMCI 与稳定性 MCI (sMCI)），这取决于 MCI 患者在长期随访后是否会进展为 AD。然而，前瞻性获取 MCI 亚型数据耗时且资源密集；由此产生的小数据集可能导致严重的过拟合以及难以提取判别性信息。受各种纵向生物标志物和认知测量呈现 AD 进展的序数路径这一事实的启发，我们提出了一种新颖的混合粒度序数原型学习 (HOPE) 方法，以表征 AD 序数进展从而预测 MCI 进展。首先，HOPE 学习一个序数度量空间，通过原型比较实现进展预测。其次，HOPE 利用一种新颖的混合粒度序数损失，通过有效整合实例到实例的序数性、实例到类的紧凑性以及类到类的分离性来学习 AD 的序数性质。第三，为了使原型学习更加稳定，HOPE 采用指数移动平均策略动态学习 NC 和 AD 的全局原型。在内部 ADNI 数据集和外部 NACC 数据集上的实验结果表明，所提出的 HOPE 优于现有的最先进方法，并具有良好的可解释性。源代码地址：https://github.com/thibault-wch/HOPE-for-mild-cognitive-impairment。
引用
@article{arxiv.2401.10966,
title = {HOPE: Hybrid-granularity Ordinal Prototype Learning for Progression Prediction of Mild Cognitive Impairment},
author = {Chenhui Wang and Yiming Lei and Tao Chen and Junping Zhang and Yuxin Li and Hongming Shan},
journal= {arXiv preprint arXiv:2401.10966},
year = {2024}
}
备注
IEEE Journal of Biomedical and Health Informatics, 2024