Author: haoransun
WeChat: SHR—97
如何基于AD病理构建多层级的图神经网络实现AD早期预警和筛查
（a）结合MRI图像、数字生物标志物和时序关系，建立新型的多通道结构的图神经网络模型，优化设计群体性AD特征的组合关系
利用丰富的成像和非成像信息进行AD早期预测任务，需要模型能够同时表示个体特征以及来自潜在大人群的受试者之间的数据关联。图为该任务提供了一个自然框架，它捕捉了图中节点呈现的各元素之间的交互，将图像和非图像信息相结合，用于群体性受试者的大脑分析。节点可以表示潜在大量人群（患者或健康对照）中的个体，并带有一组特征（MRI/fMRI图像特征），边直观的整合了非图像信息（数字生物标志物：年龄、性别、血流信号、APOE-4基因数据等），并借助权重建模了相邻受试者的相似性。同时，设计了两种注意力机制分别从结构域和时间域揭示与AD关联程度最高的大脑区域。结构域利用注意力机制引导随机游走模块提取大脑网络中的结构图特征，由于其在随机游走的每一步只需要邻域节点周围的局部信息，因此它对图噪声具有鲁棒性并且在处理动态图时更具有灵活性。全局注意力机制集成到序列处理模块中构建了时间域，可以突出显示与图序列诊断标签相关的重要时间点，进一步揭示与AD相关大脑区域的病灶演变过程。
我们将群体性人口表示为稀疏图G={V，E，W}，顶点v∈V表示每个受试者从图像数据中提取的特征向量，E表示相邻受试者之间的相似性，同时包含非图像信息，W是表示图连通性的邻接矩阵。将诊断任务建模为节点分类问题，目标是为每个受试者分配一个标签∈{0,1}（0=整成，1=患病）。该稀疏图以半监督的方式训练GCN，用于节点分类，在标记节点的子集上学习并评估其余节点。
GCN+LSTM+Attention+RW(随机游走)
图来自论文《Multi-scale enhanced graph convolutional network for early mild cognitive impairment detection》
图来自论文《Attention-guided deep graph neural network for longitudinal alzheimer’s disease analysis》
（b）研究适合不同区域和层级结构的AD早期筛查方法
为了减轻从头开始创建可靠的用于特定群体AD分类器的负担，将已有AD分类器推广到不同区域人种进行跨组评估至关重要。已有研究证明，北美高加索白人与东亚黄种人之间的大脑皮层结构存在差异，因此完全有必要使用不同的数据集来评估模型，进一步提高模型的泛化能力。
为了探究不同人种之间迁移学习的可行性，我们可以在上述所提模型的基础上，引入大脑皮质厚度和基础几何等额外信息进行AD早期的筛查。具体而言，根据ADNI-2队列中的T1-MRI数据训练模型，并评估模型在ADNI-1队列和亚洲队列中预测AD的潜在能力。为了进行迁移学习，选取ADNI队列中效果最好的模型应用于亚洲队列训练集并进行微调，然后使用亚洲队列的测试集评估微调后模型的性能。Wee[1]等人的研究证明了将AD/MCI分类器从一个群体转移到另一个群体的可行性。
参考论文
[1] 《Cortical graph neural network for ad and mci diagnosis and transfer learning across populations》
（c）探索时间注意力机制在优化模型预警能力方面的影响
采用时间注意力机制构建时间域，通过关注不同时间节点受试者大脑的BLOD信号变化，可以有效捕获时间序列数据之间的相关性，对于提高预测精度具有重要的作用。在时间序列预测领域，常将LSTM与注意力机制结合起来，这种结合通常有两种方式：基于不同时刻的注意力机制以及基于不同特征的注意力机制。基于不同时刻的注意力机制是将不同时刻的隐藏层输出分配不同的权重，然后通过加权求和得到一个 LSTM 的上下文向量；基于不同特征的注意力机制是在输出向量的不同维度上分配不同的注意力权重。
LSTM能很好地学习序列中时间的相关性，注意力机制可有效地提取数据的动态变化特征，使其对时间序列数据相关性分析更加准确，从而使得预测结果更精准。