AIGC на основе знаний и данных в анализе изображений мозга при болезни Альцгеймера
Цифровое изображение сгенерировано при помощи YandexArt
Перевод оригинальной статьи с английского языка.
Генеративный искусственный интеллект (ИИ), использующий глубокое обучение для генерации сети мозга пациента на основе мультимодальных изображений, имеет ценное применение в анализе мозговых сетей. Однако существующие модели, основанные на данных, сталкиваются с проблемами, такими как сильная зависимость от обширных высококачественных изображений, что потенциально приводит к неоптимальным моделям и неспособности точно оценить эволюционирующие характеристики мозговых сетей. Более того, этим моделям не хватает интерпретируемости, что затрудняет разумную интерпретацию аномальных паттернов связности, имеющих биологическое значение, и раскрытие механизмов когнитивных заболеваний.
Болезнь Альцгеймера, характеризующаяся изменениями структурной и функциональной связности в мозге во время его дегенеративного развития, подчёркивает важность слияния мультимодальных изображений при диагностике и анализе мозговых сетей.
В исследовании, опубликованном в журнале IEEE Transactions on Cybernetics, группа исследователей под руководством профессора Ван Шуцяна из Шэньчжэньского института передовых технологий (SIAT) Китайской академии наук представила модель предварительного управляемого состязательного обучения с гиперграфом (PALH) для прогнозирования аномальных связей при болезни Альцгеймера. Эта модель объединяет анатомические знания и мультимодальные изображения, генерируя единую сеть связности с высоким качеством и биологической интерпретируемостью через модель искусственного интеллекта (AIGC).
PALH включает в себя модуль состязательного обучения, управляемый априорными данными, и перцептивную сеть гиперграфа. Состязательное обучение, управляемое априорными данными, использует анатомические знания для оценки априорного распределения и применяет стратегию состязательности для изучения скрытых представлений по мультимодальным изображениям. В то же время парный совместный дискриминатор (PCD) повышает надёжность и обобщающую способность модели, связывая распределение рёбер и соединений пространств изображений и представлений.
Кроме того, была введена перцептивная сеть гиперграфов (HPN) для установления высокоуровневых отношений между мультимодальными изображениями и внутри них, усиливая эффекты слияния информации о морфологии, структуре и функции. HPN доказала свою эффективность в выявлении аномальных паттернов связности на разных стадиях болезни Альцгеймера, улучшая производительность прогнозирования и помогая идентифицировать потенциальные биомаркеры.
Моделируя сложное многоуровневое сопоставление информации о структуре, функции и морфологии, PALH значительно улучшает диагностику болезни Альцгеймера и выявляет соответствующие паттерны связности, связанные с прогрессированием заболевания.
«Предложенная модель представляет собой унифицированную структуру AIGC, основанную на априорных данных, которая впервые применяется для оценки изменяющихся характеристик связности мозга на разных стадиях болезни Альцгеймера», — сказал Цзо Цянькунь, первый автор этого исследования.
---
Ссылка на источник: https://english.cas.cn/newsroom/research_news/math/202401/t20240119_656072.shtml#
