基于脑全景转录组数据的可信增强型多视图多模态阿尔茨海默病预测
人工智能
2025-04-03 v2 图像与视频处理
摘要
脑转录组学提供了脑如何协调其功能和处理的分子机制的见解。然而，现有的多模态方法用于预测阿尔茨海默病（AD）主要依赖于成像和有时的遗传数据，常常忽视脑转录组的基础。此外，虽然致力于整合不同模态之间的互补信息，但大多数研究忽视了不同模态之间的信息性差异。本文提出了 TMM（trusted multiview multimodal graph attention framework for AD diagnosis），即基于脑全景转录组和成像数据的可信多视图多模态图注意力框架用于 AD 诊断。首先，我们从转录组和多模态放射组数据构建面向特定视图的脑区域共功能网络（RRIs），以整合来自生物分子和成像视角的相互作用信息。接下来，我们对每个 RRI 网络应用图注意力（GAT）处理以产生图嵌入，并采用跨模态注意力将从转录组中获得的嵌入与每个来自成像的嵌入融合。最后，设计了一种新颖的 true-false-harmonized class probability（TFCP）策略，用于评估和自适应调整每个模态的预测置信度以进行 AD 诊断。我们使用包含脑全景转录组数据的 AHBA 数据库和包含三种成像模态（AV45-PET、FDG-PET 和 VBM-MRI）的 ADNI 数据库对 TMM 进行评估。结果表明，我们的方法在识别 AD、EMCI 和 LMCI 方面优于最先进的方法。代码和数据可在 https://github.com/Yaolab-fantastic/TMM 上获取。
引用
@article{arxiv.2406.14977,
title = {Trustworthy Enhanced Multi-view Multi-modal Alzheimer's Disease Prediction with Brain-wide Imaging Transcriptomics Data},
author = {Shan Cong and Zhoujie Fan and Hongwei Liu and Yinghan Zhang and Xin Wang and Haoran Luo and Xiaohui Yao},
journal= {arXiv preprint arXiv:2406.14977},
year = {2025}
}