Alzheimerio ligos progresavimo prognozavimas naudojant daugiarūšį giluminio mokymosi metodą

Garamas Lee^1,2, Kwangsik Nho^3,4 ir kt

Alzheimerio liga(AD) yra progresuojanti neurodegeneracinė būklė, kuriai būdingas kognityvinių funkcijų sumažėjimas be patvirtinto ligą modifikuojančio gydymo. Labai svarbu laiku nustatyti gydymąREKLAMAankstyvoje stadijoje iki klinikinio pasireiškimo. Lengvas pažinimo sutrikimas (MCI) yra tarpinė stadija tarp kognityviai normalių vyresnio amžiaus žmonių irREKLAMA. Norėdami prognozuoti konversiją iš MCI į tikėtiną AD, taikėme gilaus mokymosi metodą, daugiarūšį pasikartojantį neuroninį tinklą. Sukūrėme integruotą sistemą, kuri apjungia ne tik skerspjūvio neurovaizdinius biomarkerius pradiniame lygyje, bet ir išilginį smegenų skystį (CSF) bei kognityvinio veikimo biomarkerius, gautus išAlzheimerio ligaNeuroimaging Initiative kohorta (ADNI). Siūloma sistema integravo išilginius kelių domenų duomenis. Mūsų rezultatai parodė, kad 1) mūsų prognozės modelis MCI konvertavimui įREKLAMAdavė iki 75 procentų tikslumą (plotas po kreive (AUC)=0.83), kai atskirai naudojamas vienintelis duomenų modalumas; ir 2) mūsų numatymo modelis pasiekė geriausią našumą 81 proc. tikslumu (AUC=0.86), įtraukdamas išilginius kelių domenų duomenis. Daugiarūšis giluminio mokymosi metodas gali nustatyti asmenis, kuriems gresia AD išsivystymas, kuriems gali būti naudingiausia klinikinis tyrimas arba klinikinių tyrimų stratifikacijos metodas.

Kontaktas:joanna.jia@wecistanche.com/ WhatsApp: 008618081934791

cistanche ekstrakto milteliai pdfdėlREKLAMA

Alzheimerio liga(AD) yra negrįžtamas progresuojantis neurodegeneracinis sutrikimas, kuriam būdingas nenormalus amiloidinių plokštelių ir neurofibrilinių raizginių kaupimasis smegenyse, sukeliantis atminties, mąstymo ir elgesio problemų.REKLAMAyra labiausiai paplitusi demencijos forma, kuriai nėra patvirtinto ligą modifikuojančio gydymo. Apskaičiuota, kad 2018 m. 5,7 milijono amerikiečių serga AD. Prognozuojama, kad iki 2050 m. šis skaičius išaugs iki beveik 14 milijonų1. Šiuo metu prieinami gydymo būdai sulėtina tik AD progresavimą ir joks iki šiol sukurtas gydymas negali išgydyti paciento, kuris jau serga AD. Taigi, norint laiku gydyti ir sulėtinti progresavimą, labai svarbu parengti AD aptikimo ankstyvosiose stadijose prieš klinikinį pasireiškimą strategijas. Dėl to buvo pristatyta lengvo pažinimo sutrikimo (MCI) sąvoka. MCI, prodrominė formaREKLAMA, yra apibrėžiamas siekiant apibūdinti žmones, kuriems pasireiškia lengvi smegenų veiklos sutrikimo simptomai, tačiau jie vis tiek gali atlikti kasdienes užduotis. Pacientams, kuriems yra MCI fazė, yra didesnė rizika progresuoti iki demencijos1–4. Kai kurie pacientai jų MCI stadijose paverčiami AD per tam tikrą laikotarpį po pradinio lygio, o kai kurie ne. Buvo pranešta, kad MCI sergantiems pacientams AD progresuoja 10–15 procentų per metus, o 80 procentų šių MCI pacientų po maždaug šešerių metų stebėjimo bus konvertuojami į AD5,6. Tai yra nuolatinė su AD susijusių tyrėjų tema, siekiant nustatyti biomarkerius, kurie klasifikuoja pacientus, sergančius MCI, kurie vėliau pereina į AD (MCI konverteris), iš tų, kurių MCI neprogresuoja į AD (MCI nekonvertuojantis).

Siekiant nustatyti MCI konversijos prognozavimo biomarkerius ir pagerinti jų veikimą, buvo taikomi įvairūs mašininio mokymosi metodai. Paramos vektoriaus mašina (SVM) yra vienas iš metodų, dažnai naudojamų klasifikavimo problemoms spręsti. Daugybė tyrimų taikė SVM MCI konversijos prognozei7–12. Norint nustatyti, buvo naudojamas kelių užduočių mokymasis kartu su SVMREKLAMA-atitinkamos savybės, rodančios 73,9 proc. tikslumą, 68,6 proc. jautrumą ir 73,6 proc. specifiškumą7. Naudojant papildomus dalykus, domenų perkėlimo mokymosi metodas naudoti pagalbinius pavyzdžius, pvzREKLAMAir kognityviai normalūs vyresnio amžiaus suaugusieji (CN), taip pat MCI tiriamieji parodė 79,4 proc. tikslumą, 84,5 proc. jautrumą ir 72,7 proc. specifiškumą8. Linijinė diskriminacinė analizė (LDA) buvo naudojama remiantis žievės storio duomenimis, rodančiais 63 procentų jautrumą ir 76 procentų specifiškumą13. Be to, kelių modalumo duomenų integravimas pagerina MCI konversijos prognozavimo našumą, iš kiekvieno modalumo išgaunant papildomus su AD susijusius biomarkerius. Smegenų skysčio (CSF), MRT ir kognityvinės veiklos biomarkeriai buvo sujungti, todėl tikslumas buvo 68,5 proc., jautrumas – 53,4 proc., specifiškumas – 77 proc.14,15. Kartu su MRT ir CSF biomarkeriais buvo integruota APOE ε4 būsena16.

Šiame tyrime, siekdami numatyti MCI konversiją į AD, pasiūlėme daugiarūšio pasikartojančio neuroninio tinklo metodą, gilaus mokymosi metodą, pagrįstą demografinės informacijos, išilginių CSF biomarkerių, išilginio pažinimo efektyvumo ir skerspjūvio neurovaizdinių biomarkerių integravimu. bazinė linija, gauta išAlzheimerio ligaNeuroimaging Initiative kohorta (ADNI). Mūsų siūlomas giluminio mokymosi metodas gali apimti išilginius kelių domenų duomenis ir paimti kintamo ilgio išilginius duomenis, kad būtų galima užfiksuoti laiko ypatybes keliais laiko momentais. Visų pirma, nesutampantys pavyzdžiai, taip pat sutampantys kiekvieno duomenų pavyzdžiai gali būti naudojami prognozavimo modeliui sukurti.

Rezultatai

Tyrimo dalyviai.

Visi analizėje naudojami asmenys buvo dalyviaiAlzheimerio ligaNeurovaizdavimo iniciatyva (ADNI)17,18. Bendras ADNI tikslas yra patikrinti, ar serijinis magnetinio rezonanso tomografija (MRT), padėties emisijos tomografija (PET), kiti biologiniai žymenys ir klinikinis bei neuropsichologinis įvertinimas gali būti derinami siekiant išmatuoti MCI progresavimą ir ankstyvą AD. Demografinė informacija, neapdoroti neurovaizdinio skenavimo duomenys, APOE genotipas, CSF matavimai, neuropsichologinių testų balai ir diagnostinė informacija yra viešai prieinama ADNI duomenų saugykloje (http://adni.loni.usc.edu). Visiems tiriamiesiems buvo gautas informuotas sutikimas, o tyrimą patvirtino atitinkama institucinė peržiūros taryba kiekvienoje duomenų gavimo vietoje (jei reikia naujausios informacijos, žr. http://adni.loni.usc.edu/wp-content/ themes/freshnews-dev-v2/docs/policy/ADNI_Patvirtinimas_Sąrašo procentas 205-29-18.pdf). Visi metodai buvo atlikti pagal atitinkamas gaires ir reglamentus. Šiame tyrime iš viso buvo panaudota 1 618 ADNI dalyvių nuo 55 iki 91 metų, įskaitant 415 kognityviai normalių vyresnio amžiaus suaugusiųjų kontrolinių grupių (CN), 865 MCI (307 MCI konverteris ir 558 MCI nekonvertuojantis) ir 338 AD sergantys pacientai (1 lentelė).

Naudojome keturis skirtingus duomenų tipus arba būdus: demografinę informaciją, neurovaizdinius fenotipus, išmatuotus MRT, pažinimo veiklą ir CSF matavimus. Demografinė informacija apima amžių, lytį, išsilavinimo metus ir APOE ε4 būseną. Kognityvinė veikla apima sudėtinius vykdomojo funkcionavimo (ADNI-EF) ir atminties (ADNI-MEM) balus, gautus iš ADNI neuropsichologinės baterijos, naudojant elementų atsako teoriją, kaip išsamiai aprašyta kitur19. CSF biomarkeriai AD yra amiloido - 1–42 peptidas (A 1–42), bendras tau (t-tau) ir tau, fosforilintas ties treonine 181 (p-tau). Su AD susiję neurovaizdiniai biomarkeriai, išmatuoti MRT, apima hipokampo tūrį ir entorininį žievės storį.

cistanche ŽENŠENIO tubulosa

Eksperimentinis nustatymas.

Norėdami įvertinti mūsų siūlomo išilginio multimodalinio gilaus mokymosi metodo našumą ir efektyvumą, naudojome tris schemas ir palyginome jų veikimą (2 lentelė). Eksperimente, pavadintame „bazinis“, buvo įtraukti 4 modalumo duomenys pradinio vizito metu (kognityvinė veikla, CSF, demografinė informacija ir MRT). „Single modal“ prognozei buvo naudojami tik išilginiai kognityvinio veikimo duomenys (išbandėme visus kitus atskirus modalumus, o efektyvumas su pažinimo balais buvo geriausias). Galiausiai, keturi išilginių duomenų modalumai buvo sujungti ir naudojami klasifikatoriaus mokymui eksperimente, pažymėtame kaip „siūlomas“. 3 lentelėje pateikiama suvestinė statistika apie kiekvieną duomenų modalumą ir hiperparametrus, naudojamus mokant GRU.

Mūsų modeliams mokyti naudojami CN ir AD grupių dalykai, taip pat MCI-C ir MCI-NC. Šį požiūrį motyvuoja8,10,11,20–22. Jie naudoja CN ir AD dalykus, mokydami klasifikatorių, pvz., SVM23 arba lokaliai linijinį įterpimą (LLE)24, o tada klasifikatorius naudojamas MCI-C ir MCI-NC klasifikavimui. Mūsų eksperimente CN ir AD naudojami kaip pagalbinis duomenų rinkinys, skirtas iš anksto apmokyti klasifikatorių, o tada MCI-C ir MCI-NC taip pat naudojami mokymui.

Išbandėme klasifikatorių su MCI pacientais, norėdami numatyti konversiją po Δt nuo pradinio lygio (6, 12, 18 ir 24 mėnesiai), kaip parodyta 1 pav. Dėl mūsų duomenų pobūdžio treniruotėms skirtas imties dydis skiriasi nuo Δt ( 2 pav.). Pavyzdžiui, jei AD įvyksta anksti nuo pradinio apsilankymo, turime palyginti mažiau mokymo pavyzdžių, nes turime mažesnį duomenų langą, kurį galime numatyti. Kiekvienu numatymo laiku (Δt) 10 kartų atlikome 5-kartų kryžminį patvirtinimą, kai kiekvienoje kartoje yra toks pat MCI-C ir MCI-NC tiriamųjų santykis. MCI mėginiai buvo suskirstyti į 5 pogrupius, o vienas poaibis buvo pasirinktas testavimui, o likę pogrupiai buvo naudojami mokymui.

MCI konversijos į AD prognozės palyginimas naudojant skerspjūvio duomenis pradiniuose ir išilginiuose duomenyse.Norėdami įvertinti išilginių duomenų naudojimo pranašumus, pirmiausia palyginome dviejų schemų: „pagrindinės“ ir „siūlomos“ (3 ir 4 pav.). Intuityviai suprantama, kad duomenys iš kelių laiko taškų turi daugiau informacijos nei duomenys vienu metu. Taigi, GRU analizuoja laikinus kognityvinės veiklos ir CSF pokyčius, kad išskirtų ypatybes (kurių nėra pradiniuose apsilankymų duomenyse), kad būtų galima tiksliai numatyti MCI konversiją. Kaip parodyta 4 lentelėje (a, b), išilginiais duomenimis pagrįstas prognozavimo modelis rodo geresnį našumą nei modelis, naudojant tik skerspjūvio duomenis. Visų pirma, jautrumas yra svarbi prognozavimo užduoties priemonė, kurioje labai svarbu nustatyti tikrąjį teigiamą rodiklį25. Prognozuojant MCI konversiją, laiku gydyti labiau tinka klasifikatorius, turintis didesnį tikrąjį teigiamą rodiklį.

MCI konversijos į AD prognozės palyginimas naudojant vieno modalinius ir daugiarūšius duomenis.Norėdami įvertinti multimodalinio duomenų integravimo efektyvumą, palyginome „siūlomų“ ir „vieno modalinių“ eksperimentų rezultatus. 3 paveiksle parodytas "siūlomų" ir modelių tikslumas su vienu duomenų modalumu. Pašalinome demografinių duomenų modelio tikslumą, nes prognozės našumas buvo per mažas. Nustatyta, kad modelis, kuriame naudojamas kognityvinis veikimas, yra tiksliausias tarp modelių, naudojančių kiekvieną duomenų modalumą. Nors neurovizualinių tyrimų duomenų imties dydis buvo didesnis nei kognityvinio veikimo ir CSF biomarkerių (3 pav.), modelis su neurovaizdavimo duomenimis parodė mažesnį tikslumą. Taip yra todėl, kad pažinimo našumas yra išilginiai duomenys, kurie naudoja santykinai artimesnius duomenų įrašus MCI konversijos taškams. Tačiau modelis su kognityvinėmis savybėmis rodo itin didelę jautrumo dispersiją prognozuojant 18 ir 24 mėnesius. Pastebėta, kad siūlomas modelis tik su kognityvinėmis savybėmis nėra stabilus prognozuotojas ilgam prognozavimo laikotarpiui, o kitų biomarkerių integravimas gali sumažinti didelę dispersiją.

Diskusija

Mes pasiūlėme integruotą požiūrį į MCI konversiją į AD, naudojant gilaus mokymosi metodą, tiksliau, daugiarūšį pasikartojantį neuroninį tinklą. Mūsų metodas naudoja išilginį ir daugiarūšį turimų duomenų pobūdį, kad atrastų netiesinius modelius, susijusius su MCI progresavimu. Norėdami įvertinti siūlomo metodo pranašumus, palyginome trijų schemų: „bazinis“, „vieno modalinis“ ir „siūlomas“ našumo rezultatus. Kaip pastebėta 4 pav., "bazinis" ir "vieno modalinis" su kognityvinio testo biomarkeriais rodo panašius rezultatus prognozavimo laikotarpiais. Išilginių duomenų naudojimas arba multimodalinių duomenų derinimas yra veiksmingi būdai padidinti nuspėjamąją galią, todėl atrodo natūralu derinti išilginius multimodalinius duomenis ("siūlomus"), kad būtų parodytas geriausias našumas. 5 lentelėje, kaip prognozuojama tolesniais laikotarpiais, efektyvumo pagerėjimo patikimumas yra mažesnis dėl teigiamų imčių trūkumo. Tačiau siūlomo modelio ypatumai parodė didesnį našumą, palyginti su konkuruojančiais metodais. Be to, mūsų modelio prognozavimo rezultatai buvo lyginami su ankstesnių tyrimų su mašininio mokymosi metodais rezultatais (6 lentelė). Mūsų metodas parodė palyginamus prognozavimo gebėjimus, nors turėjome labai nesubalansuotą teigiamų ir neigiamų mėginių santykį. Tiksliau, mūsų modelio jautrumas rodo didesnį našumą, o specifiškumas yra mažesnis. Be to, Te subalansuotas tikslumas26, kuris yra tikslumo matas, atsižvelgiant į jautrumą ir specifiškumą, rodo 0,82 mūsų modeliui ir 0,81, kai 27.

Didžiausias mūsų metodo privalumas yra tai, kad galima naudoti netaisyklingus išilginius duomenis. Viena iš pagrindinių problemų dirbant su išilginiais duomenimis yra ta, kad norint apdoroti kintamo ilgio nuoseklius duomenis ir trūkstamas reikšmes, reikalingas išankstinis apdorojimas. Ankstesniuose tyrimuose nustatytas laiko taškų ilgis buvo renkamas imant duomenis, kurie pateko į tam tikrą laiko langą. Be to, norint sukurti fiksuoto dydžio objekto vaizdą, reikalingas papildomas elementų ištraukimo etapas. Pirmajame mokymo etape atskiri GRU komponentai atlieka kodavimo procesą, kurio metu išilginiai duomenys paverčiami vektoriumi, turinčiu AD jautrių funkcijų. Atsižvelgiant į GRU struktūrą, mūsų metodas gali priimti bet kokio netaisyklingo ilgio duomenis kaip įvestį be išankstinio apdorojimo.

Be to, mūsų metodas gali visiškai išnaudoti turimus dalykus iš kiekvieno modalumo mūsų klasifikatoriaus mokymui. Tai didžiulis privalumas, kai trūksta duomenų. Kaip matyti 2 pav., tiriamųjų, turinčių CSF duomenis, skaičius yra mažiausias persidengiančioje imtyje. Tradiciniai metodai gali naudoti tik sutampančius mėginius, o nepersidengiančių mėginių buvo atsisakyta. Mūsų atveju nepersidengiantys pavyzdžiai prisideda prie atskiro GRU komponento, kuriam jis priklauso, lavinimo, kad būtų galima geriau reprezentuoti mokymąsi. Be to, papildomi modalumo duomenys lengvai integruojami į modelį. Priešingai nei branduoliu pagrįsta integracija, sujungimu pagrįstas integravimo metodas gali apimti kitas duomenų sritis, pvz., Multimodalinį neurovaizdinį ir genominius duomenis be jokių išankstinių žinių. Taigi, toliau integruosime daugiarūšio neurovaizdo ir genomikos duomenis mokymosi funkcijoms, kurios gali būti naudingos numatant ankstyvą MCI konversiją į AD.

Nors yra keletas privalumų, kaip aprašyta aukščiau, mūsų požiūris turi tam tikrų apribojimų. Pirmajame mokymo etape kiekvieno modalumo įvestis buvo transformuota į funkcijų vektorių, kuris optimizuotas MCI konversijos prognozavimui tik vienu modalumu. Taip, funkcijos, kurios nėra svarbios AD progresui, atsižvelgiant į vieną modalumą, bus išfiltruotos. Tačiau jei yra ypatybių, kurių negalima išgauti naudojant vieną modalumą, o galima paaiškinti tik kelių rūšių duomenų deriniu, tikėtina, kad jos taip pat bus išfiltruotos. Taip yra todėl, kad GRU parametrai neatnaujinami pagal galutinį numatymo rezultatą. Kitaip tariant, antrojo mokymo žingsnio parametrų optimizavimas neturi įtakos kiekvieno GRU parametrams, skirtiems funkcijų išgavimui, todėl kiekvienas GRU negali mokytis iš galutinio numatymo, pagrįsto kombinuotomis funkcijomis. Norėdami išspręsti šią problemą, antrajame žingsnyje GRU susiesime su logistine regresija, kad GRU išmoktų funkcijų atvaizdavimą iš kelių modalumo ir vieno modalumo. Be to, planuojame modifikuoti savo modelio struktūrą, kad atskiri GRU komponentai galėtų išgauti integracines funkcijas. Šiuo metu nagrinėjame šią galimybę kaip šio darbo tęsinį.

Metodai

Pasikartojantis neuroninis tinklas.

Pasikartojantis neuroninis tinklas (RNN) yra gilaus mokymosi architektūros klasė, naudojama, kai galima atsižvelgti į nuoseklius duomenis. Natūralios kalbos apdorojimo (NLP), kalbos atpažinimo ir anomalijų aptikimo laiko eilutėse srityse RNN populiariai naudojamas analizuojant žodžių seką ir laiko eilučių duomenis28. RNN taikymo pranašumas yra tas, kad kintamo ilgio sekos gali būti apdorojamos siekiant išnaudoti paslėptus laiko modelius

nurodyta seka. Pavyzdžiui, nuotaikų analizės užduoties tikslas yra klasifikuoti tam tikro sakinio nuotaikas (geras ar blogas). Klasifikatorius turi priimti sakinį (žodžių seką) kaip įvestį, suprasti jame esantį kontekstą ir grąžinti teisingą nuotaiką kaip išvestį29. Atlikdama numatymo užduotį, kuri aptinka pradinę širdies nepakankamumo diagnozę 30 m., RNN ima elektroninių sveikatos įrašų (EHR) laiko eilutes, naudodama stebėjimo langą nuo 12 iki 18-mėnesių. Tokiais atvejais, kai kintamo ilgio įvestis turėtų būti tvarkoma su RNN, yra tinkamas kandidatas naudoti.

RNN vienu metu apdoroja vieną įvesties sekos elementą ir atnaujina savo atminties būseną, kurioje netiesiogiai yra informacijos apie visų praeities sekos elementų istoriją31. Paslėpta būsena vaizduojama kaip euklidinis vektorius (ty realiųjų skaičių seka) ir rekursyviai atnaujinama pagal įvestį duotame žingsnyje ir ankstesnę paslėptos būsenos reikšmę (5 pav.). Tarkime, kad turime N skaičių subjektų, kurių kiekvienas turi seką … … x xxx { ,,,,, } nn in Tn 1 2, kur xin yra n-osios imties duomenų įrašas, o t-elementas sekoje, o T yra sekos ilgis. Atitinkama išvesties seka rekursyviai apskaičiuojama taip:

Mūsų modelyje paskutinė RNN pateikta išvesties seka traktuojama kaip klasifikavimo tikimybės vektorius, o kryžminės entropijos praradimo funkcija ((3) lygtis) naudojama kiekybiškai įvertinti, kiek „toli“ yra mūsų n-oji prognozė. Tai yra, pasirenkame optimalius parametrus ⁎ ⁎ ⁎ W, W, W hxy, kurie sumažina duotų duomenų kryžminės entropijos praradimą ((4) lygtis). Algoritmas, kurį naudojame parametrams optimizuoti, yra Backpropagation Through Time (BPTT)32, kuris atnaujina RNN svorius, kad sumažintų nurodytą praradimo funkciją. Tačiau kai užduočiai apdoroti reikia ilgų įvesties sekų, treniruoti RNN yra sunku33. Tai vadinama ilgalaikės priklausomybės problema. Šiai problemai išspręsti buvo sukurti ir praktiškai panaudoti RNN variantai, tokie kaip ilgalaikė trumpalaikė atmintis (LSTM) ir uždarasis pasikartojantis vienetas (GRU). Siūlomame modelyje kiekvienam duomenų modalumui naudojame GRU, kad apdorotume kelis įvesties laiko taškus. Išsami GRU struktūra aprašyta priede.

Daugiarūšis GRU, skirtas MCI konversijos numatymui.

Mūsų problemą galima laikyti nuoseklia duomenų klasifikacija. Klasifikavimo tikslas yra numatyti, ar asmuo, turintis MCI pradiniame lygyje, yra konvertuojamas į AD, ar nenaudojamas sekos duomenimis, kuriuos sudaro keturi būdai, įskaitant kognityvinę veiklą, CSF ir MRT biomarkerius, taip pat demografinę informaciją. Nors demografiniai duomenys ir MRT biomarkeriai nėra išilginiai duomenys, laikysime juos nuosekliais duomenimis.

Norėdami pritaikyti GRU pagrįstą klasifikavimo algoritmą mūsų problemai, turime sukurti modelį, kuris gali apimti keturis duomenų modalumus. Pagrindinė mūsų modelio idėja – kiekvienam modalumui atskirai sukurti GRU funkcijų ištraukiklius ir pabaigoje integruoti išgautus keturis funkcijų vektorius. Mūsų modelis susideda iš dviejų mokymo etapų: (1) išmokti vieno GRU kiekvienam duomenų modalumui ir (2) išmokti integruotos funkcijos vaizdavimo, kad būtų galima padaryti galutinį numatymą. Pirmajame mokymo etape vienas GRU apmokomas atskirai kiekvienam modalumui, kurio klasifikavimo tikslas yra numatyti konversiją į AD iš MCI. Naudojant GRU būtina paimti išilginius duomenis ir paversti juos fiksuoto dydžio vektoriais. Tai gana panašu į 36 pasiūlytą metodą, pagal kurį įvesties seka susiejama su fiksuoto ilgio vaizdu. Antrame etape MCI konversija numatoma remiantis keturiais vektoriais, pagamintais iš kiekvieno GRU komponento. Norėdami sujungti keturis vektorius, pasirenkame sujungimu pagrįstą duomenų integravimą, kuris iš esmės yra paprasčiausias būdas integruoti kelis duomenų šaltinius į vieną vektorių37. Galutinei prognozei l1-reguliuota logistinė regresija38 naudojama klasifikuojant tarp MCI-C ir MCI-NC. Mūsų siūlomo metodo apžvalga pavaizduota 6 pav.

Išvada

Čia mes pasiūlėme daugiarūšį gilaus mokymosi metodą, kad ištirtume MCI konversiją į AD, naudojant išilginį pažinimo efektyvumą ir CSF biomarkerius, taip pat skerspjūvio neurovaizdinius ir demografinius duomenis. Pritaikėme kelis GRU, kad naudotume išilginius kelių domenų duomenis ir visus subjektus su kiekvieno modalumo duomenimis. Mūsų rezultatai parodė, kad mes pasiekėme geresnį MCI konversijos į AD prognozavimo tikslumą įtraukdami išilginius kelių domenų duomenis. Daugiarūšis giluminio mokymosi metodas gali nustatyti asmenis, kuriems gresia AD išsivystymas, kuriems gali būti naudingiausia klinikinis tyrimas arba klinikinių tyrimų stratifikacijos metodas.

kur galiu nusipirkti cistanche papildąužkirsti kelią ir gydytiAlzheimerio liga, spustelėkite čia norėdami pamatyti pavyzdį

Nuorodos

1. Alzheimeris, A. 2015 Alzheimerio ligos faktai ir skaičiai. Alzheimer's Dement 11, 332–384 (2015).

2. Albert, MS ir kt. Lengvo pažinimo sutrikimo dėl Alzheimerio ligos diagnozė: Nacionalinio senėjimo instituto ir Alzheimerio asociacijos darbo grupių rekomendacijos dėl Alzheimerio ligos diagnostikos gairių. Alzheimerio dementas 7, 270–279

3. Jack, CR Jr. ir kt. Įvadas į Nacionalinio senėjimo instituto ir Alzheimerio asociacijos darbo grupių rekomendacijas dėl Alzheimerio ligos diagnostikos gairių. Alzheimerio dementas 7, 257–262,

4. Sperling, RA ir kt. Ikiklinikinių Alzheimerio ligos stadijų apibrėžimas: Nacionalinio senėjimo instituto-Alzheimerio asociacijos darbo grupių rekomendacijos dėl Alzheimerio ligos diagnostikos gairių. Alzheimerio dementas 7, 280–292.

5. Petersen, RC ir kt. Lengvas pažinimo sutrikimas: klinikinis apibūdinimas ir rezultatas. Archives of Neurology 56, 303–308 (1999).

6. Tábuas-Pereira, M. ir kt. Ankstyvojo ir vėlyvojo lengvo pažinimo sutrikimo prognozė: konversijų rodiklių ir jo prognozių palyginimas. Geriatrica 1, 11 (2016).

7. Zhang, D., Shen, D. & Alzheimer's Disease Neuroimaging, I. Daugiarūšis kelių užduočių mokymasis, skirtas bendram Alzheimerio ligos regresijos ir klasifikavimo kintamųjų prognozavimui. Neuroimage 59, 895–907,

8. Cheng, B., Liu, M., Zhang, D., Munsell, BC & Shen, D. Domenų perkėlimo mokymasis MCI konversijų prognozavimui. IEEE Trans Biomed Eng 62, 1805–1817.

9. Zhang, D., Shen, D. & Initiative, ASDN Būsimų MCI pacientų klinikinių pokyčių prognozavimas naudojant išilginius ir multimodalinius biomarkerius. PloS one 7, e33182 (2012).

10. Nho, K. ir kt. Automatinis perėjimo iš lengvo kognityvinio sutrikimo į galimą Alzheimerio ligą numatymas naudojant struktūrinio magnetinio rezonanso tomografiją. AMIA Annu Symp Proc 2010, 542–546 (2010).

11. Wee, CY, Yap, PT, Shen, D. & Alzheimer's Disease Neuroimaging, I. Alzheimerio ligos ir lengvo pažinimo sutrikimo numatymas naudojant žievės morfologinius modelius. Hum Brain Mapp 34, 3411–3425,

12. Wolz, R. ir kt. MRT vaizdų daugiametė analizė ankstyvoje Alzheimerio ligos diagnostikoje. PLoS One 6, e25446

13. Cho, Y., Seong, JK, Jeong, Y., Shin, SY & Alzheimer's Disease Neuroimaging, I. Individualus Alzheimerio ligos dalyko klasifikavimas, pagrįstas laipsnišku mokymusi, naudojant žievės storio duomenų erdvinį dažnį. Neuroimage 59, 2217–2230, https://doi.org/10.1016/j.neuroimage.2011.09.085 (2012).

14. Kim, D. ir kt. Grafika pagrįsta multimodalinio smegenų vaizdo duomenų integracija, skirta ankstyvam lengvam kognityviniam sutrikimui (E-MCI) nustatyti. Multimodalinis smegenų vaizdo analinis tyrimas (2013 m.) 8159, 159–169,

15. Ewers, M. ir kt. Konvertavimo iš lengvo kognityvinio sutrikimo į Alzheimerio ligos demenciją prognozė, pagrįsta biomarkeriais ir neuropsichologinių tyrimų rezultatais. Neurobiol Aging 33, 1203–1214,

(2012).

16. Heister, D. ir kt. MCI rezultatų prognozavimas naudojant kliniškai prieinamus MRT ir CSF biomarkerius. Neurologija 77, 1619–1628

17. Saykin, AJ ir kt. Genetiniai kiekybinių MCI ir AD fenotipų tyrimai ADNI: pažanga, galimybės ir planai. Alzheimerio liga ir demencija: Alzheimerio asociacijos žurnalas 11, 792–814 (2015).

18. Saykin, AJ ir kt. Alzheimerio ligos neurovaizdavimo iniciatyvos biomarkeriai kaip kiekybiniai fenotipai: pagrindiniai genetikos tikslai, pažanga ir planai. Alzheimerio liga ir demencija: Alzheimerio asociacijos žurnalas 6, 265–273 (2010).

19. Nho, K. ir kt. Vokselio ir paviršiaus topografija atminties ir vykdomosios veiklos trūkumams esant lengvam pažinimo sutrikimui ir Alzheimerio ligai. Smegenų vaizdavimas ir elgesys 6, 551–567 (2012).

20. Falahati, F., Westman, E. & Simmons, A. Daugiamatė duomenų analizė ir mašininis mokymasis sergant Alzheimerio liga, daugiausia dėmesio skiriant struktūriniam magnetinio rezonanso vaizdavimui. J Alzheimers Dis 41, 685–708.