MAGIC：面向脑疾病的多尺度异质性分析与聚类
机器学习
2020-07-13 v2 机器学习
摘要
越来越多的临床、解剖与功能证据表明神经精神与神经退行性疾病（如精神分裂症与阿尔茨海默病（AD））具有异质性表现。阐明疾病的不同亚型有助于更好地理解神经发病机制，并为开发靶向治疗方案提供可能。近期的半监督聚类技术提供了一种理解疾病异质性的数据驱动方式。然而，现有方法未考虑到疾病亚型可能以不同空间尺度在大脑中呈现。在此，我们引入一种新方法 MAGIC，通过利用多尺度聚类来揭示疾病异质性。我们首先提取多尺度结构协方差模式（PSC），随后跨不同尺度 PSC 进行带双重循环分块优化的半监督聚类。我们使用模拟异质性神经解剖数据验证 MAGIC，并通过利用 228 名认知正常（CN）与 191 名患者的 T1 MRI 扫描探索 AD 的异质性来展示其临床潜力。我们的结果表明 AD 存在两种主要亚型，具有独特的萎缩模式，既包括海马体的细尺度萎缩，也包括皮层区域的大尺度萎缩。临床对两亚型的评估进一步证实了异质性证据：表明存在一个 AD 患者亚群倾向于较年轻且认知表现衰退更快，而另一亚群倾向于较年长且认知能力下降相对平稳。
引用
@article{arxiv.2007.00812,
title = {MAGIC: Multi-scale Heterogeneity Analysis and Clustering for Brain Diseases},
author = {Junhao Wen and Erdem Varol and Ganesh Chand and Aristeidis Sotiras and Christos Davatzikos},
journal= {arXiv preprint arXiv:2007.00812},
year = {2020}
}
备注
11 pages, 3 figures, accepted by MICCAI2020