Predicting Alzheimers Disease Diagnosis Risk over Time with Survival Machine Learning on the ADNI Cohort
Goldsmiths College, University of London（伦敦大学金史密斯学院）；University of Manchester（曼彻斯特大学）
本研究利用生存机器学习在ADNI队列上构建模型，不仅预测认知衰退，还预测衰退时间，C-Index达0.86，支持临床预测阿尔茨海默病风险。
2023-06-17 cs.LG
Evaluating amyloid-beta as a surrogate endpoint in trials of anti-amyloid drugs in Alzheimer's disease: a Bayesian meta-analysis
本文通过贝叶斯荟萃分析评估Aβ作为阿尔茨海默病抗淀粉样蛋白药物试验中临床功能替代终点的有效性，发现Aβ在整体水平上是CDR-SOB的潜在替代终点，但仅在lecanemab和aducanumab中表现出足够的替代关系。
2025-04-09 stat.AP
Cross-modal dependence analysis with asynchronous longitudinal multimodal data
New York University Grossman School of Medicine（纽约大学格罗斯曼医学院）；FOR THE ALZHEIMER’S DISEASE NEUROIMAGING INITIATIVE（阿尔茨海默病神经影像学倡议）
提出一种贝叶斯潜变量模型，用于估计异步观测的多模态数据中协变量辅助的依赖结构，并应用于阿尔茨海默病神经影像学倡议数据，揭示临床有意义的纵向跨模态生物标志物依赖模式。
2026-06-27 stat.ME
Early Detection of Alzheimer's Disease Using Explainable Machine Learning on Clinical Biomarkers: A Multi-Class Classification Study Using the Alzheimer's Disease Neuroimaging Initiative (ADNI) Dataset
TRDC, Tuwaiq Academy（TRDC，图瓦伊克学院）
本研究使用XGBoost分类器，基于ADNI数据集的8个临床特征（MMSE、CDR Global、CDR-SB、MoCA、FAQ、年龄、性别、教育程度）进行三分类（正常认知、轻度认知障碍、阿尔茨海默病）检测，通过SMOTE处理类别不平衡，Optuna优化超参数，SHAP提供可解释性，在测试集上达到macro AUC 0.982、准确率0.943，并揭示了临床合理的特征重要性模式。
2026-04-14 cs.AI cs.LG q-bio.QM
Predicting Alzheimer's disease: a neuroimaging study with 3D convolutional neural networks
Imperial College London（帝国理工学院）；King’s College London（伦敦国王学院）
近年来，使用神经成像数据诊断阿尔茨海默病的模式识别方法已经成为广泛研究的主题。在本文中，我们使用深度学习方法，特别是稀疏自编码器和3D卷积神经网络，来构建一种算法，该算法可以基于大脑的MRI扫描来预测患者的疾病状态。我们报告使用ADNI数据集的实验，涉及2,265个历史扫描。我们证明了3D卷积神经网络优于文献中报道的其他几种分类器，并产生最先进的结果。
2015-02-09 cs.CV cs.LG stat.AP
A Role for Prior Knowledge in Statistical Classification of the Transition from MCI to Alzheimer's Disease
Michigan State University（密歇根州立大学）
从轻度认知障碍（MCI）到阿尔茨海默病（AD）的转变是临床研究人员的极大兴趣。这一现象也为定量方法研究人员开发新的分类方法提供了宝贵的数据来源。然而，用于分类的机器学习（ML）方法的增长可能会错误地导致许多临床研究人员低估逻辑斯谛回归（LR）的价值，从而产生与其他ML方法相当或更高的分类准确性。此外，在具有许多可用于分类转变的特征的应用中，临床研究人员通常不知道不同选择程序的相对价值。在本研究中，我们试图调查使用自动化和理论指导的特征选择技术，以及L-1规范时，应用不同的分类技术预测转换从MCI到AD在一个高度表征和研究样本阿尔茨海默病神经影像学倡议（ADNI）。我们提出了一种替代的预选技术，利用一个有效的功能选择的基础上参与AD的大脑区域的临床知识。目前的研究结果表明，类似的性能可以实现使用用户引导的预选与算法的功能选择技术。最后，我们比较了支持向量机（SVM）和逻辑斯谛回归在ADNI多模态数据上的性能。目前的研究结果表明，虽然SVM和其他ML技术能够相对准确地分类，但LR通常可以实现类似或更高的准确性，从而减轻了SVM对许多临床研究人员的必要性或价值。
2020-11-28 cs.LG stat.AP
Application of Machine Learning to Predict the Risk of Alzheimer's Disease: An Accurate and Practical Solution for Early Diagnostics
Institute for Applied Computational Science, Harvard John A. Paulson School of Engineering and Applied Sciences（哈佛大学约翰·A·保尔森工程与应用科学学院应用计算科学研究所）
阿尔茨海默病（AD）破坏了500多万美国人的认知能力，并对医疗保健系统造成了巨大的压力。本文提出了一种用于AD发展的机器学习预测模型，该模型无需医学成像，并且具有更少的临床访问和测试，希望更早和更便宜的诊断。早期诊断可能对任何药物或医疗治疗的有效性至关重要。我们的模型使用来自两项著名研究的人口统计学，生物标志物和认知测试数据进行训练和验证：阿尔茨海默病神经成像倡议（ADNI）和澳大利亚成像，衰老的生物标志物生活方式旗舰研究（AIBL）。我们系统地探讨了不同的机器学习模型，预处理方法和特征选择技术。性能最好的模型在预测AD方面表现出超过90%的准确率和召回率，并且结果在ADNI的子研究和独立的AIBL研究中推广。我们还证明，这些结果对于减少每次就诊的临床就诊或检查次数是稳健的。使用元分类算法和纵向数据分析，我们能够产生一个“精益”的诊断协议，只有3个测试和4个临床访问，可以预测阿尔茨海默氏症的发展与87%的准确率和79%的召回。这项新的工作可以被改编成一个实用的早期诊断工具，用于预测阿尔茨海默氏症的发展，最大限度地提高准确性，同时最大限度地减少必要的诊断测试和临床访问的数量。
2020-06-02 cs.LG q-bio.QM stat.ML
Machine Learning Workflow to Explain Black-box Models for Early Alzheimer's Disease Classification Evaluated for Multiple Datasets
University of Applied Sciences and Arts Dortmund（多特蒙德应用科学与艺术大学）；University Hospital Essen（埃森大学医院）
目的：难以解释的黑盒机器学习（ML）常用于阿尔茨海默病（AD）的早期检测。研究方法：为了解释极端梯度提升（XGBoost）、随机森林（RF）和支持向量机（SVM）黑盒模型，开发了基于Shapley值的工作流。所有模型均在阿尔茨海默病神经影像学倡议（ADNI）数据集上进行训练，并针对独立的ADNI测试集以及外部澳大利亚成像和生活方式旗舰研究（AIBL）和开放获取系列成像研究（OASIS）数据集进行评估。Shapley值与直观可解释的决策树（DT）和逻辑回归（LR）以及自然和排列特征重要性进行了比较。为了避免相关特征对解释效度的影响，采用了前向选择和体合并的方法。结果：一些黑盒模型优于DT和LR。向前选择的特征对应于先前与AD相关联的大脑区域。Shapley值确定了与特征重要性具有中度至强相关性的生物学合理关联。预测AD转换的最重要的RF特征是杏仁核的体积和认知测试评分。良好的认知测试表现和大的脑容量降低了AD的风险。使用认知测试分数训练的模型显著优于脑容量模型（$p<0.05$）。认知正常（CN）与AD模型已成功转移到外部数据集。结论：与以前的工作相比，使用脑容量的CN与轻度认知障碍（MCI）分类实现了ADNI和AIBL的性能改善。Shapley值和特征重要性表现出中等至强的相关性。
2022-11-05 cs.AI cs.LG
ADCB: An Alzheimer's disease benchmark for evaluating observational estimators of causal effects
Chalmers University of Technology（查尔姆斯理工大学）
模拟器为因果效应估计提供了独特的基准，因为它们不依赖于无法验证的假设或干预现实世界系统的能力，但通常过于简单，无法捕捉实际应用的重要方面。我们提出了一个模拟阿尔茨海默氏症的目的是在建模的医疗数据的复杂性，同时使基准的因果关系和政策估计。我们将该系统与阿尔茨海默病神经影像学倡议（ADNI）数据集相匹配，并在比较治疗试验和观察性治疗模式的结果中手工制作组件。该模拟器包括改变因果推理任务的性质和难度的参数，例如潜变量、效应异质性、观察历史的长度、行为策略和样本量。我们使用模拟器来比较平均和条件治疗效果的估计。
2021-11-12 cs.LG stat.ML
Disease Progression Timeline Estimation for Alzheimer's Disease using Discriminative Event Based Modeling
Erasmus MC, University Medical Center Rotterdam（鹿特丹伊拉斯姆斯医学中心（鹿特丹大学医学中心））；Delft University of Technology（代尔夫特理工大学）
阿尔茨海默病（AD）的特征在于一连串生物标志物变得异常，其病理生理学非常复杂并且在很大程度上未知。基于事件的建模（EBM）是一种数据驱动的技术，用于基于横截面数据估计疾病的生物标志物变得异常的顺序。它可以帮助了解疾病进展的动力学，并促进早期诊断和预后。在这项工作中，我们提出了一种新的判别方法EBM，这是更准确的比现有的国家的最先进的EBM方法。该方法首先为每个受试者估计事件的近似顺序。随后，在所有科目的中央排序估计通过拟合广义马洛模型，这些近似的主题特定的排序。我们还引入了事件之间的相对距离的概念，这有助于创建疾病进展时间轴。随后，我们提出了一种方法，通过将受试者放置在估计的疾病进展时间轴上来对受试者进行分期。我们评估了阿尔茨海默病神经影像学倡议（ADNI）的数据所提出的方法，并与现有的国家的最先进的循证医学方法的结果进行比较。我们还对模拟阿尔茨海默病进展的合成数据进行了广泛的实验。从ADNI数据中获得的事件排序似乎是合理的，并且与目前对AD进展的理解一致。所提出的患者分期算法始终优于最先进的循证医学方法。在模拟实验中获得的事件排序比其他循证医学方法更准确，并且观察到估计的疾病进展时间轴与实际疾病进展的时间轴相关。这些实验的结果是令人鼓舞的，并表明，判别循证医学是一种有前途的方法，疾病进展建模。
2018-08-10 cs.LG stat.ML
Neuroimaging Modality Fusion in Alzheimer's Classification Using Convolutional Neural Networks
Northwestern University（西北大学）
阿尔茨海默病（AD）分类的自动化方法具有巨大的临床效益的潜力，并可能为对抗这种疾病提供见解。机器学习，更具体地说是深度神经网络，已被证明在这一领域具有巨大的功效。这些算法通常使用神经成像数据，如MRI和PET，但尚未对这些模式进行全面和平衡的比较。为了准确地确定每个成像变体的相对强度，这项工作使用阿尔茨海默病神经成像倡议（ADNI）数据集在阿尔茨海默病痴呆分类的背景下进行比较研究。此外，这项工作分析了在融合环境中使用这两种模式的好处，并讨论了如何在未来的AD研究中使用深度学习利用这些数据类型。
2018-11-13 cs.LG q-bio.NC stat.ML
Intelligent Diagnosis of Alzheimer's Disease Based on Machine Learning
China University of Petroleum-Beijing at Karamay（中国石油大学（北京）克拉玛依校区）；China University of Petroleum（中国石油大学）
本研究基于ADNI数据集，采用随机森林填补缺失数据等预处理策略，通过Spearman相关系数筛选特征，构建并对比了随机森林、XGBoost和SVM三种模型，发现XGBoost诊断准确率达91%，为阿尔茨海默病早期检测提供了有效方法。
2024-02-13 cs.LG stat.AP
HybridDualPathNet: Cross-Fusion Attention of EfficientNetV2 and Swin Transformer for Brain MRI Classification of Alzheimer's and Parkinson's Disease
Indian Institute of Information Technology, Surat（苏拉特印度信息技术学院）
本文提出HybridDualPathNet，结合EfficientNetV2-S与Swin-Tiny的交叉融合注意力机制，在脑MRI分类任务中取得良好性能，同时揭示跨数据集存在域差距，强调需重视患者级分离与不确定性估计。
2026-10-14 cs.CV cs.LG cs.SE
Prediction of Progression to Alzheimer's disease with Deep InfoMax
The Mind Research Network（心智研究网络）；University of New Mexico（新墨西哥大学）；Microsoft Research（微软研究院）；Montreal Institute for Learning Algorithms（蒙特利尔学习算法研究所）；University of Montreal（蒙特利尔大学）；Shanxi University（山西大学）
可以说，无监督学习在处理脑成像的大多数算法中起着至关重要的作用。最近引入的无监督方法Deep InfoMax（DIM）是一种以灵活的非线性方式探索大脑结构的有前途的工具。在本文中，我们研究了DIM变体在阿尔茨海默病进展中的应用，并与监督AlexNet和ResNet启发的卷积神经网络进行了比较。作为基准，我们使用四组之间的分类任务：稳定和进行性轻度认知障碍（MCI）患者，阿尔茨海默病患者和健康对照组。我们的数据集由来自阿尔茨海默病神经成像倡议（ADNI）数据库的828名受试者组成。我们的实验突出了令人鼓舞的证据，DIM在未来的神经影像学研究中的高潜在效用。
2019-05-01 cs.LG cs.NE stat.ML
Disease Prediction using Graph Convolutional Networks: Application to Autism Spectrum Disorder and Alzheimer's Disease
Aimbrain Solutions ltd（艾姆布莱恩解决方案有限公司）；Imperial College London（帝国理工学院）；Research Institute for Signals, Systems and Computational Intelligence, sinc(i), FICH-UNL/CONICET（信号、系统与计算智能研究所（sinc(i)），国立罗萨里奥大学计算与人文学院/阿根廷国家科学与技术研究理事会）；StoryStream Ltd.（故事流有限公司）
图被广泛用作一种自然的框架，它捕获图中表示为节点的各个元素之间的交互。在医学应用中，具体来说，节点可以表示伴随着一组特征的潜在大群体（患者或健康对照）中的个体，而图形边缘以直观的方式并入受试者之间的关联。这种表示允许在疾病分类任务中同时结合大量的成像和非成像信息以及个体受试者特征。在疾病预测的背景下，用于监督或无监督学习的先前基于图的方法仅关注受试者之间的成对相似性，而忽略个体特性和特征，或者更确切地说，依赖于受试者特定的成像特征向量，并且未能对它们之间的相互作用进行建模。在本文中，我们提出了一个全面的评估通用框架，利用成像和非成像信息，并可用于大规模人群的大脑分析。该框架利用图卷积网络（GCN），并涉及将人口表示为稀疏图，其中其节点与基于图像的特征向量相关联，而表型信息被集成为边权重。广泛的评估探讨了该框架的每个组成部分对疾病预测性能的影响，并将其与不同的基线进行了进一步比较。框架性能测试两个大的数据集不同的基础数据，ABIDE和ADNI，自闭症谱系障碍和转换为阿尔茨海默病的预测，分别。我们的分析表明，我们的新框架可以改善两个数据库的最新结果，ABIDE的分类准确率为70.4%，ADNI为80.0%。
2018-06-05 cs.LG stat.ML
Predicting Alzheimer's Disease Using 3DMgNet
School of Mathematics and Computational Science, Xiangtan University（湘潭大学数学与计算科学学院）；In-Chao Institute（因超研究所）
阿尔茨海默氏病（AD）是一种不可逆的脑神经退行性疾病，可导致记忆力减退、沟通困难和定向障碍。对于阿尔茨海默病的诊断，临床上往往需要一系列的量表对诊断进行评估，这不仅增加了医生的工作量，也使得诊断的结果具有很强的主观性。因此，对于阿尔茨海默病，通过影像学手段寻找早期诊断标志物已成为当务之急。在本文中，我们提出了一种新的3DMgNet架构，这是一个统一的框架，多网格和卷积神经网络诊断阿尔茨海默病（AD）。该模型使用开放数据集（ADNI数据集）进行训练，然后使用我们的较小数据集进行测试。最后，该模型实现了92.133%的准确率为AD与NC分类，并显着降低了模型参数。
2022-01-12 cs.CV cs.LG eess.IV
QC-SPHRAM: Quasi-conformal Spherical Harmonics Based Geometric Distortions on Hippocampal Surfaces for Early Detection of the Alzheimer's Disease
The Chinese University of Hong Kong（香港中文大学）；BrainNow Medical Technology Limited（脑诺医疗科技有限公司）
我们提出了一个疾病分类模型，称为QC-SPHARM，用于早期检测阿尔茨海默病（AD）。所提出的QC-SPHARM可以区分正常对照（NC）受试者和AD患者，以及遗忘型轻度认知障碍（aMCI）患者之间有很大的可能性进展到AD和那些谁不。使用基于球谐函数（SPHARM）的配准，将从ADNI数据分割的海马表面单独配准到使用SPHARM从NC受试者构建的模板表面。从模板表面到每个主题的变形的局部几何失真被量化的保形性失真和曲率失真。将测量结果与球谐系数和来自模板的对象的总体积变化相结合。然后，一个基于t检验的特征选择方法，结合装袋策略被应用到提取那些具有高区分能力的两个类的局部区域。因此，可以在支持向量机（SVM）设置下使用数据来构建疾病诊断机器。使用110 NC科目和110 AD患者从ADNI数据库中，该算法实现了85：2%的测试准确率对80个随机样本作为测试科目，与表面几何形状的分类机中的结合。使用20名在两年期间进展为AD的aMCI患者和另外20名在接下来的两年中保持非AD的aMCI患者，该算法使用10名随机挑选的受试者作为测试数据实现了81：2%的准确性。我们提出的方法是6%-15%，优于其他分类模型，没有纳入表面几何。结果表明，使用局部几何畸变作为早期AD诊断的判别标准的优势。
2020-03-20 cs.LG eess.IV stat.ML
On the design of convolutional neural networks for automatic detection of Alzheimer's disease
New York University（纽约大学）；New York University Langone Medical Center（纽约大学朗格尼医学中心）
早期发现是阿尔茨海默病（AD）研究的关键目标。在这项工作中，我们描述了几种技术来提高3D深度卷积神经网络（CNN）的性能，这些CNN被训练用于使用结构性大脑MRI扫描来检测AD。具体来说，我们提供的证据表明：（1）实例规范化优于批量规范化，（2）早期空间下采样会对性能产生负面影响，（3）扩大模型会带来一致的收益，而增加深度则不会，（4）结合年龄信息会产生适度的改善。总之，这些见解在ADNI数据集中区分AD患者、轻度认知障碍患者和对照组时，与现有模型相比，测试准确性提高了约14%。在独立数据集上实现了类似的性能。
2020-04-05 cs.CV cs.LG eess.IV
Adaptive Weighted Multiview Kernel Matrix Factorization with its application in Alzheimer's Disease Analysis -- A clustering Perspective
Clemson University（克莱姆森大学）
最近的技术和设备进步为我们提供了更好地分析阿尔茨海默病（AD）的机会，我们可以收集和利用来自不同图像和遗传模式的数据，这些数据可能会提高预测性能。为了在AD分析中进行更好的聚类，本文提出了一种新的模型来利用来自所有不同模态/视图的数据，该模型可以自适应地学习每个视图的权重。与传统的非负矩阵分解假设数据是线性可分的不同，本文提出了一种简单有效的基于核矩阵分解的方法，该方法不仅能够处理非线性数据结构，而且能够获得更好的预测精度。在ADNI数据集上的实验结果表明了该方法的有效性，表明了核函数在AD分析中的应用前景。
2023-03-07 cs.AI cs.LG
Alzheimer's Disease Diagnostics by a Deeply Supervised Adaptable 3D Convolutional Network
University of Louisville（路易斯维尔大学）；University of Auckland（奥克兰大学）
阿尔茨海默病（Alzheimer 'sdisease，AD）的早期诊断是基于脑图像特征的分类，在AD的预防和治疗中发挥着重要作用。这些特征必须准确地捕获解剖学大脑结构的主要AD相关变化，例如，脑室大小、海马形状、皮质厚度和脑体积。本文提出用深度3D卷积神经网络（3D-CNN）来预测AD，该网络可以学习捕获AD生物标志物的通用特征并适应不同领域的数据集。3D-CNN建立在3D卷积自动编码器的基础上，该编码器经过预训练，可捕获结构性大脑MRI扫描中的解剖形状变化。然后，针对每个特定于任务的AD分类对3D-CNN的完全连接的上层进行微调。在没有颅骨剥离预处理的\emph{ADNI} MRI数据集上的实验表明，我们的3D-CNN在准确性和鲁棒性方面优于几种传统分类器。3D-CNN泛化学习的特征并适应其他领域的能力已经在\emph{CADDementia}数据集上得到了验证。
2016-07-02 cs.LG q-bio.NC stat.ML
Alzheimer's Disease Diagnostics by Adaptation of 3D Convolutional Network
University of Louisville（路易斯维尔大学）
阿尔茨海默病（Alzheimer's disease，AD）的早期诊断是基于脑图像特征的分类，对AD的预防和治疗具有重要意义。这些特征必须准确地捕获解剖学大脑结构的主要AD相关变化，例如，脑室大小、海马形状、皮质厚度和脑体积。本文提出用深度3D卷积神经网络（3D-CNN）预测AD，该网络可以学习捕获AD生物标志物的通用特征并适应不同领域的数据集。3D-CNN建立在3D卷积自动编码器的基础上，该编码器经过预训练，可捕获结构性大脑MRI扫描中的解剖形状变化。然后，针对每个特定于任务的AD分类对3D-CNN的完全连接的上层进行微调。在没有头骨剥离预处理的CADDementia MRI数据集上的实验表明，我们的3D-CNN在准确性方面优于几种传统分类器。3D-CNN泛化学习的特征并适应其他领域的能力已经在ADNI数据集上得到了验证。
2016-07-02 cs.LG q-bio.NC stat.ML
Learning the progression and clinical subtypes of Alzheimer's disease from longitudinal clinical data
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；National Institutes of Health（美国国立卫生研究院）
阿尔茨海默病（AD）是一种退行性脑部疾病，损害人进行日常活动的能力。阿尔茨海默病的临床表现的特征在于年龄、疾病跨度、进展速度、记忆和认知能力的损害的异质性。由于这些可变性，个性化的护理和治疗计划，以及对他们的个人进展的患者咨询是有限的。机器学习在复杂多维数据集中检测隐藏模式的最新发展为解决这一关键需求提供了重要机会。在这项工作中，我们使用无监督和监督机器学习方法进行亚型识别和预测。我们将机器学习方法应用于阿尔茨海默病神经成像倡议（ADNI）数据集的广泛临床观察，以识别患者亚型并预测疾病进展。我们的分析描绘了阿尔茨海默病的进展空间，分为低，中，高疾病进展区。拟议的工作将能够根据临床异质性早期检测和表征不同的疾病亚型。我们预计，我们的模型将使患者咨询，临床试验设计，并最终个性化的临床护理。
2018-12-06 cs.LG q-bio.QM stat.ML
Large language models improve Alzheimer's disease diagnosis using multi-modality data
Zhejiang University（浙江大学）；Stony Brook University（石溪大学）；Brigham and Women’s Hospital（布莱根妇女医院）；Harvard Medical School（哈佛医学院）
本文提出利用预训练大型语言模型增强对非影像患者数据的利用能力，以改进阿尔茨海默病诊断，并在ADNI数据集上取得了SOTA结果。
2023-05-26 cs.AI cs.CL cs.CV
Transition-Based Digital Twin Modelling for Alzheimer's Disease under Sparse Longitudinal Data
University of Southampton（南安普顿大学）；University Hospital Southampton NHS Foundation Trust（南安普顿大学医院NHS基金会信托）；Faculty of Medicine, University of Southampton（南安普顿大学医学院）
针对阿尔茨海默病进展异质性和数据稀疏问题，提出结合局部转换建模与序列建模的数字孪生框架，利用多模态纵向数据预测认知状态并量化不确定性，在ADNI数据上表现优异。
2026-06-08 cs.AI cs.LG
Calibrated Alzheimer's Conversion Risk in Mild Cognitive Impairment: Persistent Homology of Clinical Trajectories with Conformal Guarantees
Institute of Health Informatics, University College London（伦敦大学学院健康信息学研究所）
研究旨在预测MCI到AD的转化，将持久同调用于临床轨迹点云，结合多种特征构建堆叠集成模型。校正泄漏源，经交叉验证等实验，模型有竞争力的准确性，提出H0持久熵为拓扑生物标志物，实现个体层面不确定性量化。
2026-07-21 cs.LG stat.ML
Predicting Alzheimer's Disease by Hierarchical Graph Convolution from Positron Emission Tomography Imaging
Yuanpei College Peking University（北京大学元培学院）；Massachusetts General Hospital（麻省总医院）；College of Computer Science Zhejiang University（浙江大学计算机学院）
基于影像学的阿尔茨海默病（AD）早期诊断已成为一种有效的方法，特别是通过使用核医学成像技术，如正电子发射断层扫描（PET）。在各种文献中，已经发现PET图像可以更好地建模为在网络（非欧几里德）结构上定义的信号（例如，florbetapir的摄取），该网络结构由其病理进展和代谢连通性的基础图形模式控制。为了有效地将深度学习框架应用于PET图像分析，以克服其在欧几里得网格上的局限性，我们开发了一种在广义的基于图的CNN架构（PETNet）下进行3D PET图像表示和分析的解决方案，该架构分析了在按组推断的图结构上定义的PET信号。PETNet中的计算在非欧几里德图（网络）域中定义，因为它通过对图上的频谱滤波信号进行卷积操作和基于分层图聚类的池化操作来执行特征提取。PETNet的有效性在阿尔茨海默病神经成像倡议（ADNI）数据集上进行了评估，该数据集显示了比深度学习和其他基于机器学习的方法更好的性能。
2019-10-01 cs.LG eess.IV stat.ML
Integrating omics and MRI data with kernel-based tests and CNNs to identify rare genetic markers for Alzheimer's disease
Hasso Plattner Institute（哈索·普拉特纳研究所）；Universität Potsdam（波茨坦大学）；Max Delbrück Center for Molecular Medicine（马克斯·德尔布吕克分子医学中心）
对于精准医疗和个性化治疗，我们需要识别疾病的预测标志物。我们专注于阿尔茨海默病（AD），磁共振成像扫描提供有关疾病状态的信息。通过将成像与基因组测序相结合，我们的目标是识别与卷积神经网络（CNN）预测的数量性状相关的罕见遗传标记，这些标记传统上由专家手动得出。基于核的测试是关联遗传变异集的强大工具，但如何对罕见的遗传变异进行最佳建模仍然是一个开放的研究问题。我们提出了一套广义的内核，将先验信息从各种注释和多组学数据。在对阿尔茨海默病神经影像学倡议（ADNI）数据的分析中，我们评估了（i）CNN是否产生精确和可靠的大脑特征，以及（ii）基于核的新型测试是否有助于识别与AD相关的基因座。结果表明，CNN提供了一种快速，可扩展和精确的工具来获得定量AD性状，并且集成领域知识的新内核可以在非常罕见的变体的关联测试中产生更高的功效。
2019-03-05 cs.LG q-bio.GN stat.ML
Reproducible evaluation of classification methods in Alzheimer's disease: framework and application to MRI and PET data
Inria Paris（法国国家信息与自动化研究所巴黎分部）；Sorbonne Université（索邦大学）；UPMC Univ Paris 06（巴黎第六大学）；Inserm（法国国家健康与医学研究院）；CNRS（法国国家科学研究中心）；Institut du cerveau et la moelle (ICM)（大脑与脊髓研究所）；AP-HP（巴黎公共医疗集团）；Pitié-Salpêtrière Hospital（皮蒂-萨尔皮特里耶医院）；INSEAD（欧洲工商管理学院）
大量的论文介绍了新的机器学习和特征提取方法用于AD的自动分类。然而，由于验证的关键组成部分往往不容易获得，因此很难复制。这些组件包括选定的参与者和输入数据，图像预处理和交叉验证程序。不同方法的性能也难以客观比较。特别是，通常很难评估该方法的哪一部分提供了真正的改进，如果有的话。我们提出了一个框架，在AD中使用三个公开可用的数据集（ADNI，AIBL和OASIS）的可重复性和客观的分类实验。该框架包括：i）将三个数据集自动转换为BIDS格式，ii）预处理管道、特征提取和分类方法的模块化集合，以及评估框架，其提供用于对不同组件进行基准测试的基线。我们展示了使用的框架，使用T1 MRI和FDG PET数据对1960名参与者进行大规模评估。在这项评估中，我们评估了不同模式、预处理、特征类型、分类器、训练集大小和数据集的影响。FDG PET在所有分类任务中均优于T1 MRI。使用不同图谱、图像平滑、FDG PET图像的部分容积校正或特征类型时，未发现性能差异。线性SVM和L2-logistic回归导致类似的性能，并且都优于随机森林。分类性能随着用于训练的主题的数量而增加。在ADNI上训练的分类器很好地推广到AIBL和OASIS。框架和实验的所有代码都可以在https://gitlab.icm-institute.org/aramislab/AD-ML上公开获得。
2018-08-20 cs.LG stat.ML
Variational Mixture of Graph Neural Experts for Alzheimer's Disease Recognition across Frequency Bands in EEG Brain Networks
Department of Industrial and Systems Engineering, Rutgers University（鲁特大学工业与系统工程系）；Department of Psychiatry and Behavioral Sciences, University of Minnesota（明尼苏达大学精神病学与行为科学系）；Institute of Brain Science, College of Medicine, National Yang-Ming Chiao Tung University（国家阳明交通大学医学院脑科学研究所）
针对痴呆症脑电图诊断难题，提出VMoGE框架，结合多频段脑电图分析、变分图神经网络和专家混合架构。实验显示其性能强大，还具有临床转化价值，能关联疾病指标、揭示频段变化，为痴呆症诊断提供新方法和依据。
2026-08-13 cs.LG
PHGNN: A Novel Prompted Hypergraph Neural Network to Diagnose Alzheimer's Disease
The Hong Kong Polytechnic University（香港理工大学）
针对阿尔茨海默病多模态诊断中数据异质性、交互挖掘不足、数据稀缺等问题，提出融合超图学习与提示学习的PHGNN框架，在ADNI数据集上的AD诊断、MCI转化预测任务中表现优于现有最优方法。
2025-03-18 cs.AI cs.LG
Tensorizing GAN with High-Order Pooling for Alzheimer's Disease Assessment
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Shenzhen University（深圳大学）；The University of Hong Kong（香港大学）；Hong Kong University of Science and Technology（香港科技大学）
将深度学习应用于阿尔茨海默病（AD）的早期诊断具有重要意义。在这项工作中，提出了一种新的张量化GAN与高阶池评估轻度认知障碍（MCI）和AD。通过张量化一个基于三人合作博弈的框架，该模型可以受益于大脑的结构信息。通过将高阶池化方案引入分类器，该模型可以充分利用整体磁共振成像（MRI）图像的二阶统计特性。据我们所知，提出的基于张量训练、高池化和半监督学习的GAN（THS-GAN GAN）是第一个处理用于AD诊断的MRI图像分类的工作。在阿尔茨海默病神经成像倡议（ADNI）数据集上的大量实验结果表明，与现有方法相比，所提出的THS-GAN具有更好的性能，并表明张量训练和高阶池化都可以提高分类性能。生成的样本的可视化也表明，该模型可以产生合理的样本半监督学习的目的。
2020-08-03 cs.LG eess.IV stat.ML
CoPoE: Multimodal Fusion via Decomposable Disease-Coordinate Product-of-Experts for Missing-Modality Alzheimer's Diagnosis
Hanyang University（汉阳大学）；Hankuk University of Foreign Studies（韩国外国语大学）
CoPoE是一种疾病坐标专家乘积框架，可在无需合成插补的情况下融合多模态证据，在ADNI数据集的缺失模态诊断任务中取得最优性能，且保留了病理模块的tau相关信号。
2026-10-09 cs.CV cs.LG
Machine Learning for Health: Personalized Models for Forecasting of Alzheimer Disease Progression
Imperial College London（帝国理工学院）
本论文的目的是优化现代机器学习模型，从临床试验数据中个性化预测阿尔茨海默病（AD）的进展。这些数据来自TADPOLE挑战，这是AD研究中最大的公开数据集之一（ADNI数据集）。该项目的目标是开发机器学习模型，可用于对参与者的认知变化进行个性化预测（例如，ADAS-Cog 13评分）和临床状态（CS）的变化，即，一个人是否会在两年内转换为AD。这对于告知当前的临床试验和更好地设计未来的AD临床试验非常重要。我们将使用个性化的高斯过程作为机器学习模型来预测ADAS-Cog 13评分，并使用Cox模型和分类器来预测患者在2年内的转换。该项目是与麻省理工学院媒体实验室的研究人员合作完成的。
2020-08-05 cs.LG
Identifying Alzheimer Disease Dementia Levels Using Machine Learning Methods
School of Computer and Artificial Intelligence, Changzhou University（常州大学计算机与人工智能学院）
本文提出结合分水岭分割与RF、SVM、CNN的MRI图像分类方法，用于识别阿尔茨海默病痴呆四阶段，其中SVM在ADNI上达到96.25%准确率。
2023-11-02 cs.LG eess.IV
Ricci flow-based brain surface covariance descriptors for diagnosing Alzheimer's disease
Ecole Polytechnique（巴黎综合理工学院）；CNRS（法国国家科学研究中心）；IP Paris（巴黎理工学院）；Inria（法国国家信息与自动化研究所）
本文首次提出利用Ricci能量优化从皮层表面提取协方差描述符，结合高斯径向基函数进行流形分类，在ADNI数据集约200个3D MRI模型上实现了高准确率的阿尔茨海默病诊断。
2024-03-18 cs.CV cs.LG eess.IV
Analyzing the effect of APOE on Alzheimer's disease progression using an event-based model for stratified populations
Erasmus MC, University Medical Center Rotterdam（鹿特丹大学医学中心伊拉斯谟医学中心）；Delft University of Technology（代尔夫特理工大学）
阿尔茨海默病（AD）是痴呆的最常见形式，并且是表型异质性的。APOE是一个与AD表型异质性相关的三等位基因。在这项工作中，我们确定了APOE等位基因对AD的疾病进展时间轴的作用，使用基于事件的判别模型（DEBM）。由于DEBM是一个数据驱动的模型，与在整个数据集上拟合模型相比，分层到较小的疾病亚组将导致更不准确的模型。因此，我们的第二个目标是提出和评估新的方法，其中我们分裂成组特定和组特定的部分，整个数据集用于训练组特定的部分，只有来自特定组的数据用于训练组特定的部分的DEBM的不同步骤。我们进行了模拟实验，基准所提出的方法的准确性，并选择最佳的方法。随后，所选择的方法被应用于417名认知正常的基线数据，235名在3年内转化为AD的轻度认知受损的患者，以及来自阿尔茨海默病神经影像学倡议（ADNI）数据集的342名AD患者，以获得关于APOE携带者对AD疾病进展时间轴的影响的新见解。所提出的模型可以帮助理解疾病，并在选择同质组的症状前受试者的风险发展的症状进行临床试验。
2020-09-15 cs.LG stat.ML
DiGAN: Diffusion-Guided Attention Network for Early Alzheimer's Disease Detection
DiGAN通过结合扩散建模与注意力卷积网络，有效提升了早期阿尔茨海默病检测的准确性与鲁棒性。
2026-02-06 cs.AI cs.CV cs.LG
Vision Transformers and Bi-LSTM for Alzheimer's Disease Diagnosis from 3D MRI
Louisiana State University Health Sciences Center at Shreveport（路易斯安那州立大学健康科学中心什里夫波特分校）；Erzurum Technical University（埃尔祖鲁姆技术大学）
本研究提出结合ViT和Bi-LSTM处理3D MRI图像以诊断阿尔茨海默病，利用ADNI数据验证，该方法在准确率等指标上表现优异。
2024-01-06 cs.CV cs.LG eess.IV
Machine learning-enhanced non-amnestic Alzheimer's disease diagnosis from MRI and clinical features
Old Dominion University（奥尔德多米宁大学）；Macon & Joan Brock Virginia Health Sciences at Old Dominion University（奥尔德多米宁大学梅肯与琼·布罗克弗吉尼亚健康科学中心）
本文提出基于机器学习的方法，利用MRI和临床数据区分非典型阿尔茨海默病与非AD认知障碍，提高诊断准确率。
2026-01-25 cs.LG q-bio.NC q-bio.QM
Enhancing Learnability of classification algorithms using simple data preprocessing in fMRI scans of Alzheimer's disease
National Institute of Technology（印度国家理工学院）
阿尔茨海默病（AD）是最常见的痴呆类型。在所有主要国家，它是老年人死亡的主要原因之一。目前，它是通过计算MSME评分和MRI扫描的手动研究来诊断的。此外，不同的机器学习方法被用于自动诊断，但是现有的方法在准确性方面具有一些限制。在本文中，我们提出了一些新的预处理技术，显着提高了准确性，并在同一时间减少了各种分类算法的训练时间。首先，我们将4D格式的ADNI数据集转换为2D格式。我们还通过减少输入数据集的参数来降低计算成本，同时保留重要和相关的数据。我们通过使用不同的预处理步骤，如灰度图像转换，直方图均衡化和选择性裁剪数据集来实现这一点。在我们的测试数据集中，我们观察到的最高准确度为97.52%，灵敏度为97.6%。
2019-12-10 cs.LG eess.IV
Leakage-Controlled Multimodal Learning for Diagnosis and Progression Prediction in Alzheimer's Disease Research
Université Paris-Est Créteil (UPEC)（巴黎东部克雷泰伊大学）；Université Sorbonne Paris Nord (USPN)（巴黎北部索邦大学）
本研究针对阿尔茨海默病预测的问题，提出含SFCN MRI编码器等的多模态多任务框架，在多数据集上取得良好预测性能，可处理缺失模态并支持亚组评估。
2026-10-09 cs.LG
Hippocampus segmentation in magnetic resonance images of Alzheimer's patients using Deep machine learning
Shahid Beheshti University of Medical Sciences（沙希德·贝赫什提医科大学）；Khazar University（哈扎尔大学）
背景：阿尔茨海默病是一种进行性神经退行性疾病，是老年痴呆的主要原因。海马在阿尔茨海默病的早期阶段容易发生变化。在阿尔茨海默病发病前利用磁共振成像（MRI）检测和观察海马的变化，有助于更快地采取预防和治疗措施。目的：本研究的目的是使用深度机器学习方法对阿尔茨海默病患者的磁共振（MR）图像中的海马进行分割。方法：提出一种基于U-Net结构的卷积神经网络，对真实的MRI数据进行海马分割。阿尔茨海默病神经影像学倡议（ADNI）数据集中的100例和35例患者的MR图像分别用于模型的训练和测试。通过度量相似性度量，将该方法的性能与人工分割进行了比较。结果：经过10次迭代后，达到了预期的分割效果。获得了训练集92.94和测试集92.93的Dice相似系数（DSC）= 92.3%，灵敏度= 96.5%，阳性预测值（PPV）= 90.4%，以及可接受的交点大于并集（IoU）值。结论：所提出的方法是有前途的，可以扩展到阿尔茨海默病的预后预测海马体积的变化在疾病的早期阶段。
2021-06-16 cs.CV cs.LG eess.IV
ASMFS: Adaptive-Similarity-based Multi-modality Feature Selection for Classification of Alzheimer's Disease
Sichuan University（四川大学）；University of Sydney（悉尼大学）；University of Wollongong（伍伦贡大学）；Chengdu University of Information Technology（成都信息工程大学）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
随着待处理的高维异构数据量的不断增加，多模态特征选择已成为医学图像分析中的一个重要研究方向。传统的方法通常使用固定的和预定义的相似性矩阵来分别描述每个模态的数据结构，而没有考虑跨不同模态的潜在关系结构。在本文中，我们提出了一种新的多模态特征选择方法，执行特征选择和局部相似性学习。特别地，通过联合考虑不同的成像模态来学习相似性矩阵。同时，通过施加稀疏l_{2, 1}范数约束进行特征选择。我们提出的联合学习方法的有效性可以很好地证明了阿尔茨海默病神经成像倡议（ADNI）数据集，它优于现有的国家的最先进的多模态方法的实验结果。
2020-10-16 cs.AI cs.CV cs.LG
Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline
University of Macau（澳门大学）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Shenzhen University（深圳大学）
脑网络分析对于阿尔茨海默病（AD）的诊断和干预至关重要。然而，以前的研究主要依赖于特定的耗时和主观的工具包。只有少数工具可以从脑扩散张量图像（DTI）中获得结构脑网络。在本文中，我们提出了一个基于扩散的端到端脑网络生成模型Brain Diffuser，它直接从DTI中塑造结构脑网络。与现有的工具包相比，Brain Diffuser通过分析受试者之间结构性大脑网络的差异，利用更多的结构连接特征和疾病相关信息。对于阿尔茨海默病的情况下，该模型的表现优于现有的工具包的阿尔茨海默病神经影像学倡议（ADNI）数据库的结果。
2023-03-11 cs.AI cs.LG eess.IV
Interpretable Graph Convolutional Network of Multi-Modality Brain Imaging for Alzheimer's Disease Diagnosis
Lehigh University（里海大学）；University of Pennsylvania（宾夕法尼亚大学）
识别与特定神经系统疾病相关的脑区域对于生物标志物和诊断研究非常重要。在本文中，我们提出了一个可解释的图卷积网络（GCN）框架，用于使用多模态脑成像数据对阿尔茨海默病（AD）进行识别和分类。具体来说，我们扩展了梯度类激活映射（Grad-CAM）技术，以量化GCN从大脑连接模式中识别出的最具鉴别力的特征。然后，我们利用它们来找到签名感兴趣的区域（ROI），通过检测健康对照（HC），轻度认知障碍（MCI）和AD组的区域之间的特征差异。我们在ADNI数据库上进行了实验，使用了三种模式的成像数据，包括VBM-MRI，FDG-PET和AV45-PET，并表明通过我们的方法学习的ROI特征对于提高临床评分预测和疾病状态识别的性能是有效的。它还成功地鉴定了与AD和MCI相关的生物标志物。
2022-04-27 cs.CV cs.LG eess.IV
Integrating Causal Inference with Graph Neural Networks for Alzheimer's Disease Analysis
Kennesaw State University（凯斯韦尔州立大学）
针对现有AD分类模型易受混杂因素干扰、缺乏可解释性的问题，提出融合后门调整的Causal-GCN框架，在ADNI数据集上取得与基线GNN相当的性能，同时可识别与AD神经病理一致的因果脑区。
2025-11-18 cs.LG stat.ME
White matter hyperintensities volume and cognition: Assessment of a deep learning based lesion detection and quantification algorithm on the Alzheimers Disease Neuroimaging Initiative
University of Arizona（亚利桑那大学）；Mallinckrodt Institute of Radiology, Washington University（华盛顿大学马林克罗放射学研究所）；University of Utah（犹他大学）
认知和白质高信号（WMH）体积之间的关系往往取决于所使用的病变分割算法的准确性。因此，WMH的准确检测和定量非常重要。在这里，我们使用基于深度学习的WMH分割算法StackGen-Net来检测和量化来自ADNI的3D FLAIR体积上的WMH。我们使用了一个子集的主题（n=20），并获得手动WMH分割由经验丰富的神经放射科医生证明我们的算法的准确性。在一个较大的受试者队列（n=290）中，我们观察到较大的WMH体积与执行功能（P=.004），记忆（P=.01）和语言（P=.005）的表现较差相关。
2020-12-24 cs.CV cs.LG eess.IV
Behavior Score-Embedded Brain Encoder Network for Improved Classification of Alzheimer Disease Using Resting State fMRI
National Tsing Hua University（国立清华大学）；MOST Joint Research Center for AI Technology and All Vista Healthcare（科技部人工智能技术与全视野医疗联合研究中心）；National Health Research Institutes（国家卫生研究院）
准确检测痴呆症发作的能力在疾病的治疗中是重要的。临床上，阿尔茨海默病（AD）和轻度认知障碍（MCI）患者的诊断基于心理测试和脑成像（例如正电子发射断层扫描（PET）和解剖磁共振成像（MRI））的综合评估。在这项工作中，使用两个不同的数据集，我们提出了一个行为分数嵌入编码器网络（BSEN），集成定期管理的心理测试信息到编码过程中表示主题的静息状态fMRI数据的自动分类任务。BSEN基于3D卷积自动编码器结构，具有对比度损失，使用MiniMental State Examination（MMSE）和临床痴呆评级（CDR）的行为评分进行联合优化。我们提出的使用BSEN的分类框架实现了59.44%的总体识别准确率（3类分类：AD，MCI和健康对照），我们进一步提取了健康对照（HC）和AD患者之间最具区分力的区域。
2022-11-04 cs.LG eess.SP
Smart ROI Detection for Alzheimer's disease prediction using explainable AI
Shahid Beheshti University（沙希德·贝赫什提大学）
目的预测轻度认知功能障碍（MCI）向阿尔茨海默病（Alzheimer's disease）的进展是减少疾病进展的重要一步。因此，许多基于深度学习的方法已经被引入这项任务。在这些方法中，基于感兴趣区域的方法在准确性和复杂性方面处于较好的位置。在这些技术中，针对所有患者手动提取大脑的一些特定部分作为ROI。人工提取感兴趣区域是耗时的，其结果取决于人类的熟练程度和精度。方法为了克服这些局限性，我们提出了一种新的智能方法，用于使用Grad-Cam和3DCNN模型提取每个患者的ROI，基于可解释的AI自动检测ROI。在自动提取ROI之后，使用提取的基于ROI的3D CNN来预测阿尔茨海默病。结果我们在著名的ADNI数据集的176例MCI患者上实现了我们的方法，并与最先进的方法相比，获得了显着的结果。使用5倍交叉验证获得的准确度为98.6，AUC为1。我们还比较了基于ROI的方法和基于全脑的方法的结果。结果表明，性能得到了显著提高。结论实验结果表明，智能ROI提取算法能够自动提取出感兴趣区域，对阿尔茨海默病的预测具有良好的效果。该方法也可用于阿尔茨海默病的分类和诊断。
2023-03-18 cs.CV cs.LG eess.IV
Deep Multi-Branch CNN Architecture for Early Alzheimer's Detection from Brain MRIs
University of Texas at Austin（德克萨斯大学奥斯汀分校）；California State University Fullerton（加州州立大学富勒顿分校）
本文提出一种含7866819参数的深度多分支CNN架构，基于ADNI数据集，以99.05%准确率实现早期AD三分类诊断。
2023-06-17 cs.CV cs.LG eess.IV
Interpretable Alzheimer's Diagnosis via Multimodal Fusion of Regional Brain Experts
University of Pennsylvania（宾夕法尼亚大学）；Massachusetts Institute of Technology（麻省理工学院）
提出MREF-AD多模态区域专家融合模型，采用混合专家框架将各模态脑区域视为独立专家，通过门控网络学习个性化融合权重，实现可解释的AD诊断。
2026-06-15 cs.AI cs.CV cs.LG
Tensor-Based Multi-Modality Feature Selection and Regression for Alzheimer's Disease Diagnosis
Lehigh University（理海大学）；University of Pittsburgh（匹兹堡大学）；The Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院）
与大脑变化相关的阿尔茨海默病（AD）和轻度认知障碍（MCI）的评估仍然是一项具有挑战性的任务。近年来的研究表明，多模态影像学技术的结合能更好地反映AD和MCI的病理特征，有助于更准确地诊断AD和MCI。在本文中，我们提出了一种新的基于张量的多模态特征选择和回归方法的诊断和生物标志物识别的AD和MCI从正常对照。具体来说，我们利用张量结构来利用多模态数据中固有的高级相关信息，并研究多元线性回归模型中的张量级稀疏性。我们提出了我们的方法的ADNI数据分析的实际优势，使用三种成像模式（VBM- MRI，FDG-PET和AV 45-PET）与疾病严重程度和认知评分的临床参数。实验结果表明，我们提出的方法对国家的最先进的疾病诊断和识别疾病特异性区域和模态相关的差异的优越性能。这项工作的代码可以在https://github.com/junfish/BIOS22上公开获得。
2022-09-23 cs.CV cs.LG
Predicting Time-to-conversion for Dementia of Alzheimer's Type using Multi-modal Deep Survival Analysis
Simon Fraser University（西蒙弗雷泽大学）；Wake Forest University（维克森林大学）；University of Victoria（维多利亚大学）；University of Nottingham（诺丁汉大学）；Memorial University of Newfoundland（纽芬兰纪念大学）；University of British Columbia（不列颠哥伦比亚大学）；University of Miami Miller School of Medicine（迈阿密大学米勒医学院）；Ohio State University Wexner Medical Center（俄亥俄州立大学韦克斯纳医学中心）
阿尔茨海默型痴呆（DAT）是一种受多种因素影响的复杂疾病，但目前尚不清楚每个因素如何促进疾病进展。对这些因素的深入研究可以准确估计不同疾病阶段患者转换为DAT的时间。我们使用了401名受试者的63个特征，这些特征来自阿尔茨海默病神经影像学倡议（ADNI）数据库中的MRI、遗传学和CDC（认知测试、人口统计学和CSF）数据模式。我们使用了一个基于深度学习的生存分析模型，该模型扩展了经典的Cox回归模型来预测转换为DAT的时间。我们的研究结果表明，遗传特征对生存分析的贡献最小，而CDC特征贡献最大。结合MRI和遗传特征比单独使用任何一种方式都能提高生存预测，但将CDC添加到任何特征组合中只会起到仅使用CDC特征的作用。因此，我们的研究表明，使用当前的临床程序，包括收集认知测试结果，可以优于使用昂贵的遗传或CSF数据产生的生存分析结果。
2022-05-02 cs.LG
Not Only Grey Matter: OmniBrain for Robust Multimodal Classification of Alzheimer's Disease
Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）
针对阿尔茨海默病现有诊断方法无法同时兼顾准确率、泛化性、鲁棒性与可解释性的问题，提出多模态框架OmniBrain，通过带交叉注意力和模态丢弃的统一模型整合多类数据，在多数据集上性能优于现有方法，且具备临床可解释性。
2025-07-28 cs.AI cs.CV cs.LG
