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。
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