基于随机微分方程的时空图深度学习用于揭示阿尔茨海默病进展
机器学习
2026-01-06 v3 人工智能
摘要
识别客观的神经影像生物标志物以预测阿尔茨海默病 (AD) 进展对于及时干预至关重要。然而，由于潜在大脑网络时空特征的复杂功能障碍（现有方法常忽视这一点），该任务仍具挑战性。为解决这些局限性，我们开发了一个可解释的时空图神经网络框架来预测未来的 AD 进展，利用双重随机微分方程 (SDEs) 对不规则采样的纵向功能磁共振成像 数据进行建模。我们在两个独立队列上验证了我们的方法，包括开放影像研究系列 (OASIS-3) 和阿尔茨海默病神经影像计划 (ADNI)。我们的框架有效地学习了稀疏的区域和连接重要性概率，从而能够识别与疾病进展相关的关键脑回路异常。值得注意的是，我们将海马旁皮层、前额叶皮层和顶叶小叶检测为显著区域，并在腹侧注意网络、背侧注意网络和默认模式网络中存在显著破坏。这些异常与纵向 AD 相关临床症状强相关。此外，我们的可解释性策略揭示了既有和新颖的神经系统水平及性别特异性生物标志物，为 AD 进展背后的神经生物学机制提供了新见解。我们的发现突显了基于时空图的学习在不规则采样的纵向影像数据情境下，对 AD 进展进行早期、个体化预测的潜力。
引用
@article{arxiv.2509.21735,
title = {Spatio-Temporal Graph Deep Learning with Stochastic Differential Equations for Uncovering Alzheimer's Disease Progression},
author = {Houliang Zhou and Rong Zhou and Yangying Liu and Kanhao Zhao and Li Shen and Brian Y. Chen and Yu Zhang and Lifang He and Alzheimer's Disease Neuroimaging Initiative},
journal= {arXiv preprint arXiv:2509.21735},
year = {2026}
}