MLC-GCN：基于多级生成连接组的图卷积网络用于AD分析
机器学习
2024-08-08 v1 人工智能
摘要
阿尔茨海默病（AD）是一种目前无法治愈的神经退行性疾病。准确检测AD，尤其是在早期阶段，是一个高研究优先级。AD以与大脑功能连接（FC）改变相关的进行性认知障碍为特征。基于这一关联，数十年来已发表了许多使用FC和机器学习来区分AD与健康老化的研究。该检测方法最新的发展强调了将图神经网络（GNN）用作大脑功能分析。在本文中，我们提出了一种基于静息态fMRI的时空特征提取和图生成堆叠的AD分类模型。提出的基于多级生成连接组（MLC）的图卷积网络（GCN）（MLC-GCN）包含一个多图生成块和一个GCN预测块。多图生成块由一系列时空特征提取层组成，用于在不同深度提取时空rsfMRI特征并构建相应的连接组。GCN预测块利用学到的多级连接组在每个层级构建和优化GCN，并将学到的图特征拼接作为AD分类的最终预测特征。通过独立队列验证，MLC-GCN在区分MCI、AD和正常老化方面优于最先进的基于GCN和rsfMRI的AD分类器。提出的MLC-GCN在从两个独立数据集学习临床合理的连接组节点和连接特征方面也表现出高可解释性。虽然我们仅在AD上测试了MLC-GCN，但基于rsfMRI的多级学习GCN结果预测策略的基本方法对其他疾病或临床结果同样有效。
引用
@article{arxiv.2408.03358,
title = {MLC-GCN: Multi-Level Generated Connectome Based GCN for AD Analysis},
author = {Wenqi Zhu and Yinghua Fu and Ze Wang},
journal= {arXiv preprint arXiv:2408.03358},
year = {2024}
}