基于深度学习的阿尔兹海默病辅助诊断关键技术研究
阿尔茨海默病（Alzheimer’sDisease，AD）是不可逆的神经退行性疾病，给患者带来了严重的经济负担，因此研究者希望能对AD临床前期的患者进行诊断并进行合理的医疗干预，以有效减缓AD的发病时间。 近年来，研究人员将AD诊断视为一个闭集分类问题，其中所有类别都是已知的，并且训练集和测试集类别相同，这限制了模型在实际临床环境中的应用。虽然其他领域提出了多种开集识别技术，但由于1）AD是一种神经系统退行性疾病，各阶段症状相似，难以与前期状态区分，2）AD诊断具有多种策略，难以统一建模。因此现有开集识别技术难以直接用于AD诊断。 虽然在开放临床环境下对AD进行有效诊断可以使患者受益，但因AD的不可逆转性，如果能够在进行性轻度认知障碍（ProgressiveMildCognitiveImpairment，pMCI）阶段进行有效诊断并增加医疗干预，将减缓患者发病时间，给患者带来更多的帮助。功能性核磁共振成像是一种神经成像方式，已被广泛用于研究与阿尔茨海默病相关的大脑活动。然而，功能性核磁共振成像数据获取具有挑战性，少量数据容易导致分类模型过拟合。此外，目前的pMCI诊断模型缺乏可解释性，这令临床医生难以接受。 根据现有研究中存在的问题，本文以准确诊断AD和MCI为目标，首先提出了一种基于异常模式的真实世界AD诊断模型在开放临床环境下对AD进行准确诊断，然后提出了一种基于脑网络的轻度认知障碍进展预测混合模型对MCI进行准确诊断，主要研究贡献如下： 1.针对常规收集的电子医疗病历中数据量大、复杂性高的问题，本文构建了一个数据统一表示框架，使得临床数据得到更加有效、全面的使用。 2.针对现有的AD诊断模型都是在闭集环境下进行分类，难以应用于现实临床环境中的问题，本文通过模仿临床医生的关注点，将被试的异常模式引入到OpenMax模型中。这种方法可能会激发研究者重新思考临床医生在现实临床中的行为。同时OpenAPMax可以集成到其他模型中，而不需要改变模型的体系结构，具有很好的可拓展性。与现有开集识别算法相比，OpenAPMax在复杂诊断任务中具有更好的性能。 3.针对功能性核磁共振成像样本量少，现有模型容易过拟合的问题，本文提出了一种新的基于脑图谱的混合模型来诊断轻度认知障碍（MildCognitiveImpairment，MCI）。该模型使用多头图注意力网络（GraphAttentionNetworks，GAT）学习局部感兴趣区域（RegionofInterest，ROIs）之间的关系，并使用多层感知器（Multi-LayerPerceptron，MLP）学习全局特征，用于补充学习分类特征，减少模型过拟合，实验结果表明该混合模型具有很好的性能。同时本文通过分析网络注意力系数，识别并可视化了显著影响MCI的感兴趣区域。
阿尔兹海默病;轻度认知障碍;核磁共振成像;异常模式;开集识别
广西师范大学
硕士
电子科学与技术
李廷会
2023
中文
R749.16;TP18
2023-08-23（万方平台首次上网日期，不代表论文的发表时间）