Alzheimer’s disease diagnosis from multi-modal data via feature inductive learning and dual multilevel graph neural network

计算机科学 特征(语言学) 人工智能 特征学习 机器学习 图形 情态动词 人工神经网络 模式 模态(人机交互) 传感器融合 编码(集合论) 模式识别(心理学) 数据挖掘 理论计算机科学 社会科学 集合(抽象数据类型) 社会学 程序设计语言 哲学 语言学 化学 高分子化学
作者
Baiying Lei,Yafeng Li,Wanyi Fu,Peng Yang,Shaobin Chen,Tianfu Wang,Xiaohua Xiao,Tianye Niu,Yu Fu,Shuqiang Wang,Hongbin Han,Jing Qin
出处
期刊:Medical Image Analysis [Elsevier]
卷期号:97: 103213-103213 被引量:1
标识
DOI:10.1016/j.media.2024.103213
摘要

Multi-modal data can provide complementary information of Alzheimer's disease (AD) and its development from different perspectives. Such information is closely related to the diagnosis, prevention, and treatment of AD, and hence it is necessary and critical to study AD through multi-modal data. Existing learning methods, however, usually ignore the influence of feature heterogeneity and directly fuse features in the last stages. Furthermore, most of these methods only focus on local fusion features or global fusion features, neglecting the complementariness of features at different levels and thus not sufficiently leveraging information embedded in multi-modal data. To overcome these shortcomings, we propose a novel framework for AD diagnosis that fuses gene, imaging, protein, and clinical data. Our framework learns feature representations under the same feature space for different modalities through a feature induction learning (FIL) module, thereby alleviating the impact of feature heterogeneity. Furthermore, in our framework, local and global salient multi-modal feature interaction information at different levels is extracted through a novel dual multilevel graph neural network (DMGNN). We extensively validate the proposed method on the Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset and experimental results demonstrate our method consistently outperforms other state-of-the-art multi-modal fusion methods. The code is publicly available on the GitHub website. (https://github.com/xiankantingqianxue/MIA-code.git)
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
imshao完成签到,获得积分20
刚刚
sxm发布了新的文献求助10
刚刚
1秒前
naturehome发布了新的文献求助10
1秒前
1秒前
4秒前
zzzzz发布了新的文献求助10
5秒前
haha完成签到,获得积分10
6秒前
ying关注了科研通微信公众号
6秒前
月亮之下完成签到 ,获得积分10
6秒前
6秒前
欧拉不拉完成签到,获得积分10
7秒前
muncy发布了新的文献求助10
7秒前
爱静静应助sxm采纳,获得10
7秒前
8秒前
lls完成签到,获得积分20
9秒前
酸奶巧克力完成签到,获得积分10
9秒前
10秒前
10秒前
慕青应助wg采纳,获得10
11秒前
12秒前
上官若男应助墨迹采纳,获得10
12秒前
clock发布了新的文献求助20
12秒前
12秒前
李东秋发布了新的文献求助10
15秒前
lls发布了新的文献求助10
16秒前
赘婿应助俭朴的红牛采纳,获得10
16秒前
17秒前
希望天下0贩的0应助zz采纳,获得10
18秒前
荣匪完成签到,获得积分10
19秒前
大个应助lls采纳,获得10
19秒前
HEIKU应助学不完也学不会采纳,获得10
19秒前
bxj发布了新的文献求助10
22秒前
胡萝卜完成签到,获得积分10
25秒前
jdm发布了新的文献求助10
26秒前
27秒前
28秒前
充电宝应助严剑封采纳,获得10
29秒前
田様应助牛马打工人采纳,获得10
31秒前
清风完成签到,获得积分10
32秒前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3155969
求助须知:如何正确求助?哪些是违规求助? 2807310
关于积分的说明 7872521
捐赠科研通 2465654
什么是DOI,文献DOI怎么找? 1312280
科研通“疑难数据库(出版商)”最低求助积分说明 630031
版权声明 601905