基于多模态DIABLO特征融合与层级多分类的阿尔茨海默病辅助诊断研究
《Translational Psychiatry》:Hierarchical multiclassification of Alzheimer’s disease based on DIABLO fusion of multimodal neuroimaging and clinical information
【字体:
大
中
小
】
时间:2026年09月27日
来源:Translational Psychiatry 7.5
编辑推荐:
**摘要**
目前,基于结构磁共振成像(sMRI)和功能磁共振成像(fMRI)的研究方法通常采用简单的数据拼接或决策级融合,这忽视了更深层的跨模态关系。此外,大多数分类模型未能反映临床上已确立的诊断路径。针对这些局限性,我们提出了一种基于多组块偏最小二乘判别分析(DIABL
**摘要**目前,基于结构磁共振成像(sMRI)和功能磁共振成像(fMRI)的研究方法通常采用简单的数据拼接或决策级融合,这忽视了更深层的跨模态关系。此外,大多数分类模型未能反映临床上已确立的诊断路径。针对这些局限性,我们提出了一种基于多组块偏最小二乘判别分析(DIABLO)的特征级融合框架,并结合层级多分类建模,以利用多模态协同效应,实现对临床诊断阿尔茨海默病(AD)的改进分类。本研究整合了ADNI数据集(872名参与者:443名正常对照组NC、300名轻度认知障碍MCI、129名AD患者)中的sMRI、fMRI和临床信息。特征融合分别采用核主成分分析(KPCA)和DIABLO实现。我们构建并验证了一种层级多分类模型,涵盖三种诊断场景(NC→MCI→AD、MCI→NC→AD、AD→NC→MCI)。我们基于KPCA融合比较了七种分类器(SVM、RF、GBDT、XGBoost、AdaBoost、Bagging、Stacking)。消融实验证实了多模态整合的协同价值:三模态DIABLO在NC与MCI区分中达到AUC为0.934,显著优于单模态fMRI(AUC为0.797)。基于sMRI、fMRI和临床信息的DIABLO模型在AD与非AD区分中达到AUC为0.992,在NC与MCI区分中达到AUC为0.934,优于基于KPCA的融合方法。本研究证明,融合sMRI、fMRI和临床信息可提供互补的生物学特征,从而提高AD全谱系的多分类准确性。DIABLO似乎是一种强大且具有可解释性的多模态融合框架,在辅助AD诊断方面展现出巨大潜力,值得在更大规模且更多样化的队列中进一步验证。
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