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,Aihua Mao,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
wulin314发布了新的文献求助30
刚刚
我是老大应助paulgeorge13采纳,获得10
3秒前
3秒前
pengyh8发布了新的文献求助10
4秒前
颜凡桃完成签到,获得积分10
5秒前
欢呼的鲂完成签到,获得积分10
7秒前
8秒前
Antonio完成签到 ,获得积分10
9秒前
ccc完成签到 ,获得积分10
10秒前
超哥完成签到,获得积分10
10秒前
lhr发布了新的文献求助10
10秒前
长期素食发布了新的文献求助10
13秒前
英俊延恶发布了新的文献求助10
15秒前
22秒前
123321发布了新的文献求助10
25秒前
研究僧完成签到,获得积分10
26秒前
南枝完成签到,获得积分10
26秒前
活泼的路人完成签到 ,获得积分10
27秒前
wulin314完成签到,获得积分10
27秒前
27秒前
sunny发布了新的文献求助10
28秒前
智勇双全完成签到,获得积分10
30秒前
zz完成签到,获得积分10
30秒前
30秒前
lcxszsd完成签到 ,获得积分10
30秒前
pengyh8完成签到,获得积分10
31秒前
lzz发布了新的文献求助10
32秒前
科目三应助科研通管家采纳,获得10
32秒前
pcr163应助科研通管家采纳,获得50
32秒前
洋yangyang完成签到 ,获得积分10
32秒前
詹严青应助科研通管家采纳,获得10
32秒前
Owen应助科研通管家采纳,获得10
32秒前
所所应助科研通管家采纳,获得10
32秒前
大模型应助科研通管家采纳,获得10
32秒前
replica应助科研通管家采纳,获得10
32秒前
lixia应助科研通管家采纳,获得10
32秒前
小二郎应助科研通管家采纳,获得10
32秒前
大个应助科研通管家采纳,获得10
33秒前
33秒前
坚强雅绿发布了新的文献求助10
33秒前
高分求助中
The ACS Guide to Scholarly Communication 2500
Sustainability in Tides Chemistry 2000
Pharmacogenomics: Applications to Patient Care, Third Edition 1000
Studien zur Ideengeschichte der Gesetzgebung 1000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Ethnicities: Media, Health, and Coping 700
Genera Insectorum: Mantodea, Fam. Mantidæ, Subfam. Hymenopodinæ (Classic Reprint) 600
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 3088674
求助须知:如何正确求助?哪些是违规求助? 2740797
关于积分的说明 7561537
捐赠科研通 2390841
什么是DOI,文献DOI怎么找? 1268012
科研通“疑难数据库(出版商)”最低求助积分说明 613956
版权声明 598684