影像基因的深度学习应用于阿尔茨海默病诊断和预测的多时间点研究

Alzheimer’s Disease（AD）is one of the non-inverse and slow neurodegenerative disease, which has brought a heavy burden to the family and whole society. Early diagnosis, prediction, intervention, and treatment are the most effective ways. The neuroimaging diagnosis is one of the most common methods. However, the most challenging issue is the low specificity of neuroimaging data, which can not establish a relationship between AD and genomics. To address it, the early and automatic diagnosis is highly desirable. For this reason, this project aims to develop a new deep learning method for the longitudinal study of AD via imaging genomics. First, we establish a data missing learning model via the stacked bi-directional recurrent network, which imputes the missing multi-time multi-modal neuroimaging data in a deep way. Second, we separately build deep learning networks for neuroimaging and genomic data to extract the deep features. We fuse the features in a deep way to get the inherent information. Finally, we perform associate analysis of neuroimaging and genomic data to identify the most informative and effective biomarkers. Also, we construct a parameter-free centralized model for AD diagnosis and prognosis, which can be used for early diagnosis and prediction of AD. Aiming to solve the key scientific problems for computer-aided analysis of AD, we propose a series of novel methods, which possess significant values.

阿尔茨海默病是一种不可逆的慢性神经系统退行性疾病，给家庭和社会带来沉重负担。早期诊断和预测，并且及时干预治疗是目前最有效的手段。影像学诊断是最常用的诊断方法之一。然而，现有方法存在影像数据特异性较差，疾病基因间关系难以建立等难题。亟需开发自动诊断方案。基于此，本项目提出深度学习影像基因数据的多时间点研究方法。首先，基于栈式双向循环网络（SBi-RNN）的学习模型，利用多时间点多模态影像数据，实现数据缺失的多级深度补全。其次，通过多时间点的影像组学网络和基因组学网络，分别提取影像和基因的深层特征，并深度融合其特征实现影像基因的深层表示。最后，进行基因位点与动态影像特征的关联分析，找到有效生物标记物。并建立无参数中心的诊断和预测模型，实现阿尔茨海默病早期智能诊断和预测。本项目提出的一系列方法具有原始初创性，旨在解决早期诊断和预测阿尔茨海默病的若干关键科学问题，具有重要研究价值。

阿尔茨海默病（AD）是一种不可逆的慢性神经系统退行性疾病，早期诊断并且及时干预治疗是目前最有效的手段，基于人工智能技术分析影像基因数据有望实现AD早期诊断。本课题针对：1）多时间点多模态数据缺失；2）多模态数据关系难以确立和融合；3）患者病情难以跟踪等问题, 开展了如下的研究：1）基于结构磁共振数据对纵向临床评分进行预测，实现AD临床评分补全和优化；2）基于结构脑网络、功能脑网络以及基因组学综合分析，实现多组学特征融合用于AD早期诊断；3）基于多时间点数据，构建纵向分析模型，获取特异性病灶，追踪影像标记物。基于此项目，我们开发了辅助诊断和预测AD的新方法，建立基于多时间点深度学习技术的AD早期智能诊断分析平台。在IEEE TMI、TCYB、TNNLS、Medical Image Analysis等期刊上发表SCI论文18篇，在《中国生物医学工程学院》发表中文核心期刊2篇，在MICCAI、ISBI、EMBC等国际会议上发表论文11篇。共申请专利10项，其中授权3项。培养博士研究生2名，硕士研究生9名。所研发的AD智能诊断云平台已进行示范应用，有效辅助医生进行AD早期诊断。