MRC-GAT:一种基于元关系连词的图注意力网络,用于可解释的多模态阿尔茨海默病诊断

《Artificial Intelligence in Medicine》:MRC-GAT: A meta-relational copula-based graph attention network for interpretable multimodal Alzheimer's disease diagnosis

【字体: 大 中 小 】 时间:2026年10月13日 来源:Artificial Intelligence in Medicine 7.8

编辑推荐:

  •copula对齐提高了阿尔茨海默病建模的多模态相似性。 •情节化元学习使对未见受试者的归纳诊断成为可能。 •关系型GAT与门控融合提供了可解释的患者表示。 •两跳关系注意力捕获了群体图中的高阶依赖性。 •在三类诊断中,准确率分别达到96.87%(TADPOLE)

  •copula对齐提高了阿尔茨海默病建模的多模态相似性。
•情节化元学习使对未见受试者的归纳诊断成为可能。
•关系型GAT与门控融合提供了可解释的患者表示。
•两跳关系注意力捕获了群体图中的高阶依赖性。
•在三类诊断中,准确率分别达到96.87%(TADPOLE)和92.31%(NACC)。

## 引言
阿尔茨海默病是一种不可逆且渐进性的神经退行性疾病,主要影响老年人,导致认知功能严重受损、记忆力丧失和行为改变[1]。随着全球老龄化人口的增加,阿尔茨海默病病例也在上升,据估计到2050年,将有超过1.3亿人患有阿尔茨海默病,给全球卫生系统带来巨大负担。阿尔茨海默病的痴呆前期阶段被称为轻度认知障碍(MCI),是衰老与痴呆之间的中间阶段,此时所需的认知功能有所下降,但仍然能够维持日常生活活动[2]。由于缺乏确凿的治疗方法[3],早期检测和后续干预以控制阿尔茨海默病的发展并改善健康结果显得尤为重要[4]。阿尔茨海默病的诊断通常包括认知功能测试(如迷你精神状态检查MMSE和临床痴呆评分CDR[5]),以及神经影像技术,这些技术用于获取阿尔茨海默病和MCI病理的结构和功能细节,描述受此疾病影响的大脑异常[6]。然而,这些技术非常繁琐,需要专业技能且准确率较低,因此迫切需要更加先进、精确高效的计算机辅助诊断技术。
基于传统诊断方法和神经影像分析技术的局限性,许多研究致力于开发创新的计算方法,以改进阿尔茨海默病的早期诊断。在早期诊断研究中,传统的机器学习分类器(包括逻辑回归、稀疏逆协方差估计和多核SVM)被用于区分阿尔茨海默病、轻度认知障碍和认知正常(CN),显示出中等准确率和较差的泛化能力。后续研究提出了集成学习和特征选择技术(如随机森林和RFE-SVM),以改进多模态特征学习并提高诊断准确性[7][8]。卷积神经网络(CNN)通过从MRI和EEG中学习空间区分特征,并转换为高分辨率的3D和多模态特征分析,从而在疾病建模和表征方面取得了显著进步[9][10][11][12][13]。然而,这些CNN方法忽略了大脑不同区域之间的依赖关系。在这方面,图神经网络(GNN)被认为是常规CNN的强大替代品,因为它们可以建模并捕捉依赖关系以及特定受试者数据的个体差异,因此在特定受试者的预测建模任务中表现出更好的可解释性和鲁棒性[14][15][16][17]。最近在多图和融合学习方面的进展通过整合多种图结构和多模态嵌入表示,提高了生物标志物的识别和诊断准确性[18][19][20]。总之,所有这些最新研究表明,在向创新和先进的图分析及多模态学习方法转变的过程中取得了显著且持续的进展,旨在提高阿尔茨海默病分析的准确性和诊断效率。尽管如此,仍有很多研究挑战和问题需要解决。

尽管基于图的方法在阿尔茨海默病诊断方面取得了显著成功,但仍有一些问题需要解决以提升泛化和适用性。首先,多模态模式(包括MRI、认知和风险因素)之间存在自然变异性,这使得难以准确计算不同个体之间的相似性指标,常常引入噪声和波动的图模式[18][19]。此外,基于CNN的模型在处理空间模式方面效率高,但在处理非影像特征(如人口统计学和家族史)方面效率较低,而这些特征对于全面理解和建模疾病至关重要[20]。其次,许多现有的GCN仍然是依赖固定图的传递模型,这限制了它们对新未见节点的泛化能力;因此,在不重建整个图的情况下,它们无法很好地对新未见受试者进行泛化。虽然新引入的模型(如GAT)和其他可微组件解决了这一缺点,但它们仍然依赖于大型静态图并牺牲了准确性[18]。最后,多模态注意力和融合技术虽然有助于提高准确性,但往往难以解释;因此,在整个诊断过程中难以区分各个贡献因素和受试者相关联的影响。此外,小样本量和特征分布不均的问题可能导致过拟合。解决这些问题需要开发一种适应性强、可解释且具有归纳学习能力的图模型,能够处理具有不同属性的多模态特征。

为了应对这些挑战,引入了MRC-GAT模型,这是一种基于多模态、度量的情景化元学习方法,它整合了基于copula的相似性对齐、关系注意力和节点级门控融合。首先,通过秩高斯化将特征映射到copula特征空间,然后通过Ledoit-Wolf收缩在每种模态内估计稳健的内部协方差。接着使用Mahalanobis距离测量成对相似性,从而实现对相关特征的尺度无关比较。为每种模态定义特定于关系的图,然后通过有向K最近邻(KNN)和预设阈值进行稀疏化。同时,对于每种模态,使用一跳关系注意力和节点级门控融合层,然后通过两跳注意力和二次融合来扩展感受野并提高学习稳定性。重要的是,注意力权重α??g和节点级融合权重γ?g·量化了节点和邻居的贡献,提供了透明且临床一致的解释。最后,基于度量的情景化元学习方法训练模型从小支持集对未见查询受试者进行分类,确保了稳健的泛化和改进的学习稳定性。在TADPOLE和NACC数据集上的实验表明,MRC-GAT表现出强大且稳定的诊断性能,准确率分别达到96.87%和92.31%,并在异构受试者中提供了稳定的多模态和类别区分。

## 总结
本研究的主要贡献包括:
•提出了一种基于copula对齐的图构建过程,以减少RF、COG和MRI相似性测量的不稳定性。
•提出了一种两阶段关系注意力建模方法与节点级门控融合相结合,能够解释每条边和每种模态的注意力权重。
•提出了一种基于度量的情景化元学习方法,以提高模型的泛化能力,并能够对新实例进行归纳推理,在独立队列中实现稳定性能。

## 本文结构
第2节回顾相关工作;第3节描述所提出架构的方法论和细节;第4节概述评估设置、数据集、评估指标并报告实验结果;第5节总结主要发现并为未来研究提出方向。

## 相关工作
本章将探讨阿尔茨海默病诊断中多模态融合、图学习和可解释AI的最新进展。首先讨论多模态融合技术,然后分析基于图的方法,最后描述提高阿尔茨海默病诊断建模可解释性和准确性的新兴技术。

## 方法论
第3.1节介绍MRC-GAT方法,提出问题陈述并解释该模型的动机。第3.2节在基于度量的情景化元学习框架下形式化多模态分类,并介绍相关符号。第3.3节描述模型架构。第3.4节概述训练策略。

## 评估
本节使用TADPOLE和NACC数据集评估所提出的MRC-GAT方法在多模态阿尔茨海默病分类方面的性能。将模型的性能与最先进的基线方法在三类和二元分类任务上进行比较。后续章节讨论训练配置、数据集、评估指标、结果和比较,并提供可解释性分析。

## 消融研究
为了说明MRC-GAT中每个模块的贡献,我们使用TADPOLE的三类分类任务进行了广泛的消融研究。从整个MRC-GAT框架开始,逐个移除或替换模块,同时保持其他设置不变。考虑的模块包括基于度量的情景化元学习、基于copula的特征对齐、用于计算Mahalanobis距离的协方差收缩、图生成方法等。

## 结论与未来工作
本研究提出了一种用于利用多种模态诊断阿尔茨海默病的自适应和可解释方法MRC-GAT。通过将基于copula的相似性对齐、关系注意力建模和节点级门控融合整合到基于度量的情景化元学习方法中,有效解决了传统图方法的某些严重局限性(通常是静态和传递性的)。所提出的设计允许灵活处理异构数据源。

## 作者贡献声明
Fatemeh Khalvandi:撰写 - 审稿与编辑、撰写 - 原初草稿、可视化、验证、项目管理、方法论、正式分析、数据整理、概念化。
Saadat Izadi:撰写 - 审稿与编辑、验证、软件、方法论。
Abdolah Chalechale:撰写 - 审稿与编辑、监督、方法论、概念化。

## 伦理声明
本研究无需伦理批准和知情同意,因为所有数据均来自公开可获得的完全匿名数据集(TADPOLE和NACC)。

## 写作过程中生成式AI和AI辅助技术的声明
在准备本工作时,作者使用ChatGPT(OpenAI)来提高手稿的流畅性、清晰度和可读性。使用该工具后,作者仔细审阅、编辑并验证了内容,并对发表工作的完整性和准确性负全责。

## 资助
本研究未从公共、商业或非营利部门获得任何特定资助。

## 未引用参考文献
[25]

## 竞争利益声明
作者声明其与本研究、作者身份或出版物无关的任何财务、商业、机构或个人利益关系。
没有作者因本研究获得任何形式的补偿、股票所有权、咨询费用、有偿专家证词或专利相关益处。
所有作者确认不存在可能影响研究的竞争利益。

**Fatemeh Khalvandi | Saadat Izadi | Abdolah Chalechale**
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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