多模态融合在阿尔茨海默病预测中的应用研究:一种新的分类方法与趋势
《Information Fusion》:A Survey of Multimodal Fusion for Alzheimer’s Disease Prediction: A New Taxonomy and Trends
【字体:
大
中
小
】
时间:2025年12月30日
来源:Information Fusion 15.5
编辑推荐:
阿尔茨海默病(AD)多模态机器学习诊断研究综述,分析医学影像、体液等数据融合方法,对比传统ML与深度学习优势,探讨现有挑战及未来方向。
关一凡|王伟|陈建军|杨波|徐京洲|齐军
西安交通大学-利物浦大学,先进技术学院,仁爱路111号,苏州,215123,中国
摘要
阿尔茨海默病(AD)是一种神经退行性疾病,以其无法治愈而闻名,在全球老年人群中较为常见。先前的研究表明,早期干预可以积极影响疾病进展,这促使人们通过机器学习(ML)方法加大对病理分析和疾病轨迹预测的研究。鉴于不同神经退行性疾病之间的相似性,仅依赖单一数据模式进行诊断是不够的。因此,当前的研究主要集中在多模态分析上,整合医学影像和临床患者信息,同时不断识别新的数据类型以辅助AD的诊断。在过去二十年里,多模态方法得到了广泛探索,自从引入深度学习(DL)技术后取得了显著进展。深度神经网络能够从输入数据中自适应地提取和融合特征,大大扩展了多模态分析的范围。然而,早期的分类研究主要集中在传统的ML上,常常忽略了DL网络的快速进展。本文全面描述了基于不同数据模式的获取途径,讨论了目前用于神经影像、人体液体及其他相关来源的研究方法,并对DL和传统ML环境中使用的融合方法进行了分类,指出了现有挑战,并概述了未来研究的潜在方向。
引言
AD是一种神经退行性疾病,也是最常见的痴呆类型,主要与大脑中异常蛋白质聚集和神经元退化有关。作为痴呆的主要原因,AD主要影响老年人,通常在60至70岁之间发病,在全球范围内普遍存在。根据2013年的调查,报告的病例超过3000万例,且这一数字仍在上升[1]。目前,仅在美国,就有超过690万65岁及以上的老年人受到AD的影响[2]。尽管进行了大量研究,AD仍然无法治愈,对老龄化人口构成了重大威胁[3]。然而,通常只有在观察到明显的认知衰退后才能做出明确的AD诊断,而此时干预效果已经大大降低[4]。病理学研究表明,AD在10到15年内逐渐发展,其特征是异常蛋白质(如β-淀粉样蛋白和tau蛋白)的积累[5]。在这一过程的早期阶段,患者可能仅表现出轻微的记忆障碍,日常生活不受明显影响。这个阶段被称为轻度认知障碍(MCI)[6],它改变了我们对AD的理解,从一种二元疾病状态转变为一种渐进的连续过程。重要的是,无论是药物治疗还是非药物治疗,在MCI阶段应用时都显示出减缓疾病进展的潜力[7]。因此,最近的研究强调了早期识别生物标志物和病理脑变化的必要性,这些变化预示着AD或MCI的开始[1]。早期检测使临床医生能够更准确地预测疾病轨迹,并采取有针对性的干预措施,从而延缓症状出现或减轻严重程度[1],[3]。然而,仅依赖单一数据模式来区分AD与其他类型的痴呆仍然具有挑战性,因为症状和影像特征的重叠往往使得诊断变得不确定[8]。这一限制推动了人们对多模态分析的兴趣,现在已成为现代AD研究的主要焦点。
随着持续的研究和发展,ML已成为众多科学领域中的强大分析工具,其在AD研究中的价值日益明显。在医学应用中,ML擅长处理复杂的高维数据,并揭示传统统计方法常常无法捕捉到的微妙非线性关系。此外,支持向量机(SVM)和人工神经网络(ANN)等算法使ML模型能够生成明确的诊断标准和决策规则,从而提高了临床工作流程的可解释性和标准化[9]。这些方法在AD分类任务中也展示了出色的诊断性能。在此基础上,特征提取和智能代理的整合进一步扩展了ML的作用,使得医学影像数据的分析和自动化变得更加高效[10]。借助ML技术,DL方法通过将全面的自动化特征提取直接嵌入分析流程中,进一步推动了这一进展,大大减少了对手动特征工程的依赖,并显著提高了数据处理效率[11]。此外,DL架构对大规模数据具有出色的适应性,并对复杂的多模态相关性具有高度敏感性。这种能力显著提高了诊断分类和预测的准确性。由于深度神经网络的易用性和强大的特征提取能力,它们显著推动了AD诊断研究的发展[3]。
本文讨论了通过ML进行AD诊断的主题。它整合了当前AD领域的研究成果,系统地探讨了两个主要方向,以提供全面的介绍。首先,我们总结了AD诊断中常用的各种数据类型,详细介绍了数据获取的基本原理以及从每种模式中提取的关键诊断信息。其次,考察了AD研究中多模态方法的发展轨迹,将现有方法系统地分为传统ML和DL方法。我们对流行的网络架构进行了详细分类,彻底分析了它们的作用、功能机制及其在不同研究中的变体,最终讨论了多模态分析的潜在未来挑战和发展方向。
本文的文献搜索在IEEE Xplore、PubMed、ACM Digital Library和Elsevier等数据库中进行,并通过Google Scholar进行了二次综合搜索以避免遗漏。搜索使用了标准的关键词组合和布尔运算符,严格限于英文文章。根据本文的两个主要主题焦点,进行了两轮文献搜索。在第一轮搜索中,使用了“Alzheimer’s Disease”和“history”等关键词来记录AD研究历史进展中确定的主要生物标志物,以及不同模式和相关技术的引入时间。随后,使用特定的模式名称(如磁共振成像(MRI)、计算机断层扫描(CT)和正电子发射断层扫描(PET)进行了额外搜索,全面覆盖了常见的数据类型。此外,受近期研究的启发,还增加了一个小节来讨论新兴的有效模式。第二轮搜索专门关注多模态ML方法的方法论方面,使用了“multimodal fusion”、“multimodal analysis”、“Alzheimer’s Disease”、“machine learning”和“deep learning”等关键词,并参考了相关的综述文章。通过这第二轮搜索识别出的出版物限于2010年及以后的作品,其中DL相关文章特别限于2016年及以后的作品。这一时间范围反映了多模态方法在2010年左右系统化并得到广泛采用的历史背景,为我们的文献调查提供了合适的基准。
本文首先回顾了阿尔茨海默病(AD)的研究背景和发展背景,然后扩展到研究中常用的多模态数据类型。在此基础上,我们详细分析了当前的多模态融合方法。最后,我们总结了剩余的关键挑战,并概述了潜在的未来研究方向。图1提供了这一工作流程的简洁概述,展示了回顾的逻辑结构和核心内容。本文的后续部分组织如下:第2节介绍了多模态AD研究的历史发展。第3节描述了多模态数据方面,包括数据集的介绍、生物标志物的定义以及常用和重要的模式。第4节是本文的核心内容,讨论了各种融合方法,包括模型内的多模态转换、融合策略和方法、相关应用场景以及结果的评估,特别关注DL网络。第5节概述了与融合方法相关的未来方向和挑战,特别是关于更复杂的模式和临床转化。最后,第6节总结了本文。
历史研究
本节将回顾AD研究的历史发展,介绍重要的发现和重大技术的引入。由于技术和数据的限制,多模态方法在AD领域出现得相对较晚,直到2000年后才得到广泛认可。直到2010年后深度网络的出现及其应用,多模态融合才成为一种主流的研究方法。
ADNI
为了推进AD的有效治疗,ADNI数据库于2004年在Michael W. Weiner的领导下建立[5]。这个开放访问的数据集得到了公共-私人合作伙伴的支持,由国家老龄化研究所、国立卫生研究院基金会、阿尔茨海默病协会和多家公司资助。ADNI数据集已经经历了五个阶段的发展,当前版本为ADNI-4。每个研究阶段都会招募新的参与者来提供数据
多模态融合
虽然上一部分讨论了AD研究中可用的各种模式,但本部分将重点转向如何通过多模态融合框架有效地结合这些异构数据源。多模态融合在不同的研究领域和场景中有不同的定义,通常表示一种分析多模态数据的方法。首先需要澄清的是,本文讨论的“融合”概念主要是针对多模态
挑战与未来方向
在前面的章节中,我们系统地回顾和分类了当前用于AD预测的多模态分析方法,评估了传统ML和DL框架内的各种方法。尽管取得了实质性进展,但仍存在一些持续的局限性和挑战,阻碍了这一领域的进一步发展。
第一个挑战是数据缺失问题,这是多模态AD研究中的一个长期存在的问题。随着网络架构的不断发展
结论
AD是一种复杂的神经退行性疾病,具有全球范围内的普遍性和深远的社会影响。由于目前尚无治愈方法,早期检测和干预仍然是现代研究的主要焦点。多模态分析已成为理解和预测AD的最有效策略之一,允许整合结构、功能、分子和临床维度上的互补信息。
本文提供了全面的概述
手稿准备过程中生成式AI和AI辅助技术的声明
在准备这项工作时,作者使用了ChatGPT-5来完善描述。使用该工具后,作者根据需要审查和编辑了内容,并对发表文章的内容负全责。
CRediT作者贡献声明
关一凡:撰写——原始草稿。王伟:撰写——审阅与编辑。陈建军:撰写——审阅与编辑。杨波:撰写——审阅与编辑。徐京洲:撰写——审阅与编辑。齐军:监督、概念化。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:
齐军报告称获得了国家自然科学基金(62301452)的部分资助,以及苏州科技发展计划(SYW2025056)和西安交通大学-利物浦大学研究发展基金(RDF-21-01-080)的部分资助。如果还有其他作者,他们声明没有已知的财务
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号