《利用多模态成像遗传学进行阿尔茨海默病诊断的专注深度规范相关分析》论文速读

Attentive Deep Canonical Correlation Analysis for Diagnosing Alzheimer’s Disease Using Multimodal Imaging Genetics

摘要

该论文提出了一种名为专注深度规范相关分析（ADCCA）的新模型，用于利用多模态脑成像遗传学数据诊断阿尔茨海默病。ADCCA结合了深度神经网络、注意力机制和规范相关分析的优势，以整合和利用来自多个数据模态的互补信息。这导致了更好的可解释性和强大的多模态特征学习能力。使用ADNI数据库对ADCCA模型进行评估，其中包括三种成像模态（VBM-MRI、FDG-PET和AV45-PET）和基因SNP数据。结果表明，这种方法可以实现出色的性能，并识别出阿尔茨海默病诊断的有意义的生物标志物。
代码地址

本文方法

该论文提出的框架概述：X1，···，X4 是输入的模态数据，而 Y 是标签信息。首先，深度神经网络（DNNs）对每个模态进行操作，生成每个模态的隐藏表示。这些隐藏表示经过自注意力机制生成改进的自注意力表示。同时，利用基于CCA的个体投影矩阵U1，…，U4，Uy将隐藏表示和标签Y相乘，将它们映射到共享表示G。最后，疾病预测通过自注意力表示与投影矩阵和共享表示G进行计算。

CCA模块是指规范相关分析（Canonical Correlation Analysis），它是一种统计方法，用于衡量两组变量之间的相关性，并且尝试找到它们之间的线性关系。在该论文中，CCA模块用于将隐藏表示和标签信息映射到一个共享的表示空间，以便在该空间中执行进一步的分析和预测。CCA模块通常通过计算投影矩阵来实现这种映射，这些投影矩阵可以将原始数据投影到共享空间中，使得相关性最大化。

实验结果