面向阿尔茨海默病的复杂数据关联分析与融合诊断方法研究

Alzheimer's disease (AD) is a serious threat to the life and health of the elderly. The well-known Alzheimer's Disease Neuroimaging Initiative (ADNI) integrates brain imaging genomics data to provide the possibility for exploration and discovery of biomarkers associated with AD’s cause and deterioration. Due to the very finiteness of the quantity and quality of the cases’ data, along with the extraordinary difficulty of the feature heterogeneity and dimension, it is a huge challenge to build a more stable but superior model for data correlation analysis and fusion diagnosis. Therefore, (1) concerning the individual differences or outliers among case samples, we will propose a robust correlation and prediction model based on the feature selection learning to achieve the pathological mechanism analysis from genetics to brain; (2) concerning the differences between the composition types of heterogeneous data and disease correlation as well as the nonlinear relationship among diversity features, we will propose a feature presentation based on multilayer structure and complementary discriminant information fusion prediction model for disease diagnosis, accomplishing outstanding generalization performance through small samples data training; (3) concerning the high-dimensional imaging genomics data analysis on whole-brain and whole-genome, we will propose an efficient approximation computing method to enhance the scalability of the models. This project will provide solid data-driven technical support for the pathologic understanding and auxiliary diagnosis of AD, having an important clinical value.

阿尔茨海默病是严重威胁老年人生命健康的重大疾病。著名的“阿尔茨海默病神经影像计划”整合了脑影像基因组学数据，为探索和发现与其成因及恶化相关的生物标志物提供了可能。由于该疾病组学数据本身较为复杂，即病例数量和质量受限、特征异构（包括动态变化）且维度较高，导致构建更加稳定且性能优越的数据关联分析与融合诊断模型面临巨大挑战。因此，本项目将（1）针对病例样本存在个体差异或离群点的问题，提出抗噪声的鲁棒特征选择关联与预测模型，实现基因-大脑病理机制分析；（2）针对数据构成类型与疾病相关程度存在差异以及特征间存在非线性关系的问题，提出基于多层结构的特征表示和互补判别信息融合的疾病诊断预测模型，实现在小样本数据训练下达到良好的泛化性能；（3）针对全脑全基因数据特征维度较高的问题，提出快速的近似计算方法，增强模型的可扩展性。本研究将为该疾病的病理解析与辅助诊断提供可靠的数据驱动技术支持，具有重要临床价值。

阿尔茨海默病AD是严重威胁老年人生命健康的重大疾病。著名的“阿尔茨海默病神经影像计划”整合了脑影像基因组学数据，为探索和发现与其成因及恶化相关的生物标志物提 供了可能。由于该疾病组学数据本身较为复杂，即病例数量和质量受限、特征异构（包括动态变化）且维度较高，导致构建更加稳定且性能优越的数据关联分析与融合诊断模型面临巨大挑战。在大数据背景下，基于机器学习的智能脑影像分析技术面对的挑战包括：（1）如何综合互补的对不同模态的数据（包括神经影像数据，基因数据和生理行为数据等）进行分析多模态数据融合方法；（2）如何对高维，复杂的脑影像及基因数据进行关联分析。（3）如何进行多模态多任务学习 （4） 如何提取多模态特征针对以上挑战，本项目围绕脑疾病诊断，脑认知分析开展了一系列工作，其中主要包括多模态/多任务脑影像分析，脑网络，脑影像基因关联分析等工作。本项目研究结果表明，（1）基于融合不同模态的分析方法，在获得更好的疾病诊断精度的同时能深入探索其病理机制。（2）基因-图像关联分析方法不仅有助于提高基因与影像之间关联分析的能力，还可以发现一些与疾病密切相关的遗传风险因素。