نماذج التعلم العميق متعددة الأنماط للكشف المبكر عن مراحل مرض الزهايمر

تستخدم معظم الدراسات الحالية لمرض الزهايمر (AD) والاضطرابات المعرفية الخفيفة (MCI) نمط بيانات واحد لإجراء التنبؤات مثل مراحل AD. يمكن أن يوفر دمج أنماط بيانات متعددة رؤية شاملة لتحليل مراحل AD. وبالتالي، نحن نستخدم التعلم العميق (DL) لتحليل الصور (التصوير بالرنين المغناطيسي (MRI))، والبيانات الجينية (اختلافات النيوكليوتيدات المفردة (SNPs))، وبيانات الاختبارات السريرية بشكل متكامل لتصنيف المرضى إلى AD وMCI وCN. نحن نستخدم محولات ضوضائية مكدسة لاستخراج الميزات من البيانات السريرية والجينية، ونستخدم الشبكات العصبية التلافيفية ثلاثية الأبعاد (CNNs) لبيانات الصور. كما نقوم بتطوير طريقة جديدة لتفسير البيانات لتحديد الميزات ذات الأداء العالي التي تعلمتها النماذج العميقة باستخدام تحليل التجميع والاضطراب. باستخدام مجموعة بيانات المبادرة الوطنية لتصوير الدماغ لمرض الزهايمر (ADNI)، نوضح أن النماذج العميقة تتفوق على النماذج الضحلة، بما في ذلك آلات الدعم النقطية، وأشجار القرار، وغابات الصناديق العشوائية، والجيران الأقرب k. بالإضافة إلى ذلك، نظهر أن دمج البيانات متعددة الأنماط يتفوق على نماذج النمط الفردي من حيث الدقة، والدقة، والاسترجاع، ومتوسط درجات F1. لقد حددت نماذجنا مناطق الدماغ مثل الحُُُُُُُُُُُُُُُُُُُُُُُُ ثنائي الفصين، واللوزة، واختبار ريفي للتعلم اللفظي السمعي (RAVLT) كميزات متميزة، مما يتماشى مع الأدبيات المعروفة عن AD.