用于自闭症预测与生物标志物发现的多模态多核图学习
机器学习
2025-02-14 v3 人工智能
摘要
由于其复杂性，基于图学习的多模态整合与分类是疾病预测中最具挑战性的障碍之一。为有效抵消多模态整合过程中的模态间负面影响并从图中提取异构信息，我们提出一种称为 MMKGL（多模态多核图学习）的新方法。针对模态间负面影响问题，我们提出多模态图嵌入模块以构建多模态图。不同于为所有模态手动构建静态图的常规方法，每个模态通过自适应学习生成独立图，在多图融合嵌入过程中引入函数图与监督图用于优化。随后我们提出多核图学习模块，从多模态图中提取异构信息。多模态图中不同层级的信息由具有不同感受野大小的卷积核聚合，进而生成用于疾病预测的跨核发现张量。我们的方法在基准 Autism Brain Imaging Data Exchange（ABIDE）数据集上评估，优于现有最优方法。此外，我们的模型识别出与自闭症相关的判别性脑区，为自闭症病理研究提供指导。
引用
@article{arxiv.2303.03388,
title = {Multi-modal Multi-kernel Graph Learning for Autism Prediction and Biomarker Discovery},
author = {Jin Liu and Junbin Mao and Hanhe Lin and Hulin Kuang and Shirui Pan and Xusheng Wu and Shan Xie and Fei Liu and Yi Pan},
journal= {arXiv preprint arXiv:2303.03388},
year = {2025}
}