脑老化动态复杂过程多模态知觉推理模型的研究

Brain aging is a dynamic complex process. The superposition effects and interactions exist among brain structure changes and other factors. Cognitive function damage can be explained with the accumulation and interaction of these factors. Utilizing Multimodal Data Fusion techniques to study the feature changes of the brain is an important way to help understand the dynamic process of brain aging. In this project, to make full use of various modal data available clinically, based on proposed "visualization" technique and extreme value combination optimization strategy, targeted deep learning methods are designed to capture the latent non-linearity embedded in each modal data; And an efficient Bayesian form of the deep learning model with reasonable time complexity is designed within a unified framework of probability, and the uncertainty of the information exchange between the perception component and the reasoning component is modeled. Multi-Modal Perceptional-Reasoning Learning Algorithm is proposed which can be linearly expanded with the number of free parameters in the perception component. With the help of the above-mentioned, a stable and repeatable brain aging dynamic complex process model is constructed to improve the specificity and the sensitivity of early diagnosis of Alzheimer's Disease.

脑老化是一个动态复杂过程，脑结构改变等各种因素间存在叠加效应和相互作用，认知损害可以用这些因素的积累来解释。利用多模态数据融合技术来研究全脑的多形态改变，是帮助理解脑老化动态复杂过程的重要途径。本项目利用临床上可获得的各种模态数据，提出一种“可视化”技术和极值组合优化策略，设计出有针对性的深度学习方法来捕获蕴含在各模态数据中的非线性高阶关系；在统一概率框架下，设计一个带有合理时间复杂度的深度学习模型的高效贝叶斯形式，对知觉组件与推理组件之间信息交换的不确定性建模，提出能随着知觉组件中的自由参数个数而线性扩展的多模态知觉推理融合学习算法，以期获得具有稳定性和可重复性的脑老化动态复杂过程模型，提高阿尔茨海默症临床早期诊断的特异性和敏感性。

本项目针对脑老化，尤其是期间可能发生的神经退行性疾病(如阿尔茨海默症AD),这一动态复杂过程，探究大脑结构的改变规律、基因遗传因素的影响以及它们之间存在的关联关系/相互作用。本项目的研究思路是通过构造分类问题，采用数据驱动模式来分析脑老化过程中的多模态数据，搭建出可解释性和泛化能力均强的分类器；当分类泛化能力达到最大化时，解读出模型中蕴含着的对分类任务起关键作用的神经影像信息，帮助理解脑老化动态复杂过程。具体来说，本项目重点提出了基于卷积神经网络（CNN）和集成学习的多切片集成分类模型用于阿尔茨海默症早期诊断。该方法在Ad vs. NC，MCIc vs. NC和MCIc vs. MCInc上的预测准确率分别为0.84±0.05, 0.79±0.04和0.62±0.06，与只用单切片训练获得的分类模型相比，该方法能更充分地利用MRI包括的有效信息以提高分类的准确率和稳定性，效果甚至超越了全脑上的3DCNN模型；更为重要的是，该方法还能通过切片的交点定位到相关脑区，能获得对AD各阶段分类贡献度较大的脑区。成果已于2020年5月发表于《Frontiers in Neuroscience》杂志上，迄今为止已有47次他引；在Frontiers in系列杂志刊登的所有论文中排名前9%；该方法能有效帮助人们基于数据驱动模式来深化那些知之甚少的脑病对大脑影响随时间变化的规律性认识。目前，我们也正基于该方法深入探知AD病程在神经影像上表现出来的时变规律。同时，本项目还基于采用上述方法和遗传算法共同优选出的AD相关特征脑区，在提取到这些脑区的灰质体积数据作为表型数据后，与受试者基因数据进行全基因组关联分析(GWAS)，成功获得了AD相关的潜在遗传生物标志物，实验最终发现8个SNP位点和6个基因，能作为AD的潜在遗传生物标志物。该方法也为其他脑病遗传生物标志物的发现提供了一个基于数据驱动的端到端的有效途径。此外，本项目还提出了基于CNN+BGRU的卷积循环神经网络和基于3DCNN和遗传算法来发现sMRI单模态和sMRI与PET多模态AD生物标志物。这些方法均能获取到模型泛化能力最大化时所蕴含的生物标志物特征。

内容获取失败，请点击重试