使用 rs-fMRI 和历史感知图神经网络预测阿尔茨海默病进展
计算机视觉与模式识别
2026-04-09 v1
摘要
阿尔茨海默病 (AD) 是一种影响美国alone 700 万人口的神经退行性疾病。AD目前尚无疗法，但若及时发现，可潜在地减缓其进展。本研究提出一种基于图神经网络 (GNN) 的模型，用于预测受试者在下一次临床访问时是否会转化为更严重的认知障碍阶段。我们考虑认知障碍的三个阶段，依严重程度排序：认知正常 (CN)、轻度认知障碍 (MCI) 和 AD。我们使用来自303名受试者的静息态功能磁性共振扫描 (rs-fMRI) 的功能连接图，每位受试者的访问次数各不相同。我们的GNN模型包含循环神经网络 (RNN) 块，使其能够处理受试者整个访问历史。它还能处理访问之间不规则的时间间隙，通过将访问距离信息纳入输入特征。我们的模型在缺失受试者访问历史的情况下仍表现出稳健的预测性能，准确率为 82.9%，尤其在CN到MCI转化的准确率达到68.8%——这是该领域的一个重大挑战。我们的结果凸显了rs-fMRI在预测MCI或AD发病 onset 的有效性，并与其他模态方法结合，可能为及时干预以减缓认知障碍的进展提供可行方法。
引用
@article{arxiv.2604.06469,
title = {Predicting Alzheimer's disease progression using rs-fMRI and a history-aware graph neural network},
author = {Mahdi Moghaddami and Mohammad-Reza Siadat and Austin Toma and Connor Laming and Huirong Fu},
journal= {arXiv preprint arXiv:2604.06469},
year = {2026}
}
备注
Proc. SPIE 13926, Medical Imaging 2026: Computer-Aided Diagnosis, 1392604