基于特征相似性拉普拉斯图的多任务学习用于阿尔茨海默病疾病进展预测
机器学习
2025-10-14 v1 人工智能
摘要
阿尔茨海默病（Alzheimer's Disease，AD）是老年人群中最常见的神经退行性疾病，对全球医疗系统造成巨大的且日益严重的负担。尽管多任务学习（Multi-Task Learning，MTL）已成为建模纵向AD数据的最强计算范式，但现有框架未能考虑特征相关性随时间变化的特性。为此，我们提出了一种新颖的MTL框架，称为特征相似性拉普拉斯图多任务学习（Feature Similarity Laplacian graph Multi-Task Learning，MTL-FSL）。该框架引入了新的特征相似性拉普拉斯（Feature Similarity Laplacian，FSL）惩罚项，显式建模特征之间的时变关系。通过同时考虑任务间的时间光滑性和特征间的动态相关性，我们的模型在提高预测准确性和生物学可解释性方面均取得显著提升。为解决我们提出惩罚项导致的非光滑优化问题，我们采用交替方向乘子法（Alternating Direction Method of Multipliers，ADMM）算法。在阿尔茨海默病神经影像计划（Alzheimer's Disease Neuroimaging Initiative，ADNI）数据集上的实验表明，我们提出的MTL-FSL框架在各种基线方法上实现了领先的性能。该实现源码可在 https://github.com/huatxxx/MTL-FSL 查看。
引用
@article{arxiv.2510.10433,
title = {Multi-Task Learning with Feature-Similarity Laplacian Graphs for Predicting Alzheimer's Disease Progression},
author = {Zixiang Xu and Menghui Zhou and Jun Qi and Xuanhan Fan and Yun Yang and Po Yang},
journal= {arXiv preprint arXiv:2510.10433},
year = {2025}
}