阿尔兹海默病多模态生物标记物的时序建模及其临床应用

In this project, we aim to solve the problem that there is no effective biomarkers for the early diagnosis of Alzheimer's disease (AD). Multiple modality data will be combined to improve the diagnosis accuracy and to provide an useful quantitative index of AD. A multi-branch neural network will be proposed to merge the complementary information among multi-modal data so that quantitative infomation can exatracted for early diagnosis of AD. The proposed deep neural network is expected to yield a quantitative index, which can be used as a multi-modal biomarker. The multi-modal biomarker can be used for the accurate diagnosis of AD. In addition, the change of the proposed multi-modal biomarker over time in a representative population cohort can reveal the knowledge of AD progression, and provide a way to predict the time-to-conversion to AD. We have carried out many studies in the field of diagnosis of AD. Based on multi-modal data and deep learning techniques, this project will propose novel multi-modal biomarks of AD, providing valuable indexs to build longitudinal curves of AD. In this way, the time-to-conversion to AD can be estimated. The project is essential and very meaningful to the early diagnosis of AD in clinical practice.

针对阿尔兹海默病早期辅助诊断缺乏有效定量指标问题开展研究。本项目将研究多模态数据在提高阿尔兹海默病定量评估准确度中的作用，提出一种多分支深度神经网络框架，解决多模态数据非线性融合问题，充分挖掘早期病变信息，提供早期诊断的量化特征。应用该深度神经网络框架，设计阿尔兹海默病定量评估系统，并通过融合多种模态数据的深度特征计算定量评估值，作为一种精准的多模态生物诊断标记物。基于该生物标志物，结合混合效应建模方法，构建阿尔兹海默病的时序发展曲线模型，揭示阿尔兹海默病在早期的多模态病变特征，并通过曲线预估轻度认知障碍患者转变为阿尔兹海默病的时间，为临床应用提供辅助诊断信息。申请者在博士和博士后期间已开展相关方面研究，有前期工作积累。本项目创新性地提出多模态数据与深度学习结合的方法用于提高阿尔兹海默病的定量分析，建立病情发展曲线模型，对开展阿尔兹海默病早期辅助诊断技术的临床应用具有重要的指导意义。

阿尔兹海默病是一种常发病于老年人的疾病，目前没有有效的治愈方法或药物，但在早期可以通过合理治疗和控制危险因素降低发病率或延缓发病时间。为了实现阿尔茨海默病的防治，本项目针对阿尔兹海默病早期辅助诊断和预测开展研究。首先，本项目设计了一个卷积神经网络，实现了从磁共振成像或正电子发射断层显像数据中提取有效的单模态生物诊断标志物，并且可以很好地映射脑组织的结构和功能信息。其次，本项目提出了一种生成对抗网络模型合成缺失模态的数据，以解决部分模态数据缺失的问题，合成数据可充分利用多模态互补信息，从而进一步提高疾病诊断和预测精度。再次，针对多模态数据的有效融合问题，我们采用特征选择算法剔除无用数据后，使用主成分分析和基于极限学习机的评分机制，分别在诊断和预测的应用中实现多模态数据的有效融合，大幅度提高了准确率。最后，采用极限学习机评分方法对多模态数据进行量化评分，计算患者发病过程中多个时间点上的评估分值，以患者的年龄、性别、教育程度、基因和时间作为多元自变量，采用多元多项式拟合算法对进行曲线拟合。该方法比仅使用单模态数据建模或仅以时间为自变量的模型取得更好的拟合精度，并可以通过该模型分析各种因素对阿尔兹海默病发病进程的影响。本项目创新性地提出多模态数据与深度学习结合的方法用于提高阿尔兹海默病的辅助诊断和预测分析，对阿尔兹海默病的医学研究、临床治疗方案的制订和发病时间的预测都具有重要的意义。