CMA-CCL：一种基于跨模态注意力的循环式课程学习方法，用于帕金森病病情进展的研究

《Pattern Recognition Letters》：CMA-CCL: A Cross-Modal Attention Based Cyclical Curriculum Learning for Parkinson’s Disease Progression

帕金森病进展预测中提出跨模态注意力与循环课程学习融合的CMA-CCL模型，通过MRI和临床症状数据融合及动态难度调整策略，有效应对类别不平衡和样本难度差异，实验验证其准确率、召回率和F1值均优于传统方法，并增强了对早期病例的敏感性。

　　

黄洪燕|杨云飞|张晓波|鲍金宇|刘华

四川大学华西医院神经内科，成都，610041，中国四川

摘要

帕金森病（PD）是一种影响全球数百万人的神经退行性疾病，其病情进展模式具有高度多样性。准确预测PD的进展对于制定个性化治疗策略至关重要，然而现有研究主要依赖于单一模态数据，在类别不平衡和样本难度变化的情况下性能会下降，尤其是在早期病例中。为了解决这些问题，我们提出了基于跨模态注意力的循环课程学习（CMA-CCL）模型，该模型通过跨模态注意力将磁共振成像（MRI）扫描与临床症状评估相结合，并采用循环课程调度机制。CMA-CCL引入了一种基于临床信息的混合难度策略，将Hoehn & Yahr（H&Y）先验与训练损失相结合，从而实现动态样本重排序和类别平衡。在帕金森病进展标志物计划（PPMI）数据集上的实验表明，CMA-CCL在准确性、召回率和F1分数方面均优于标准深度学习和课程学习方法，在多个评估指标上表现更优，并且对类别不平衡的鲁棒性更强。

引言

帕金森病（PD）是一种常见的老年人神经退行性疾病，全球每1000人中就有1-2人患病，60岁以上人群的患病率超过1%，且患病人数在二十年内从250万增加到700-1000万[1]。该疾病表现为运动症状（震颤、僵硬、动作迟缓）[2]和非运动症状（认知衰退、嗅觉功能障碍、REM睡眠行为障碍）[3]。

PD的严重程度通常通过临床量表进行评估，如Hoehn & Yahr（H&Y）量表和统一帕金森病评分量表（UPDRS）[4]，但这些量表可能无法全面反映疾病进展的某些方面[5]。磁共振成像（MRI）提供了神经退行性的客观生物标志物[6]，最近的MRI研究揭示了PD的结构变化，如黑质体积减少和纹状体代谢异常[7]，但单独使用MRI可能无法捕捉到动态的功能变化和症状的变异性，这促使人们采用多模态方法[8]。由于PD的表现形式多种多样，单一模态数据不足以进行全面评估[9]。结合MRI和临床症状评估可以更全面地了解疾病进展。另一个挑战是PD不同阶段的类别不平衡[10]，这会降低对罕见阶段的预测准确性。因此，使模型适应不同的样本难度至关重要。

为了解决这些问题，我们提出了一种多模态PD进展预测方法，以提高模型区分不同疾病阶段的能力。与传统PD难度分配方法不同，该方法利用了CCL在结合MRI扫描和症状评估的数据集上的优势。在此基础上，我们引入了一种新的样本难度划分策略来反映疾病进展。本研究的主要贡献如下：

1.

CMA-CCL模型。这是第一个结合跨模态注意力和循环课程学习（CMA-CCL）用于PD进展预测的模型，提高了模型对不同疾病阶段的适应性；

2.

跨模态注意力融合。设计了一个模块，将MRI扫描和临床症状评估整合到一个统一的表示中，充分利用互补信息并提高特征效率；

3.

混合难度划分策略。创新性地结合了H&Y先验知识和训练损失，通过加权融合来定义样本难度，使得课程调度策略既具有临床可解释性又具有动态适应性。

4.

两阶段类别平衡策略。首先对少数类别进行过采样，然后动态调整样本权重，从而减轻类别不平衡，确保常见和罕见阶段的学习平衡。

相关研究

早期的大部分PD研究集中在病例与对照组的二分类上[11]。然而，帕金森病（PD）患者的病情存在显著差异，需要准确的严重程度评估[12]。最近，研究人员从二分类转向了多级分期预测，实现了更精细的多类任务[13]。Shahid等人[14]结合了PCA降维后的语音特征和人口统计数据，通过深度神经网络预测UPDRS评分。除了语音，还涉及书写

方法

本研究提出了CMA-CCL模型用于PD进展预测，该模型整合了MRI和临床症状评估，并利用跨模态注意力优化了不同模态之间的交互作用。通过定期调整数据集规模和样本选择，模型能够动态适应不同的数据难度，从而提高预测性能。

数据收集与划分

帕金森病进展标志物计划（PPMI）是一项多中心、纵向研究，旨在识别PD的进展生物标志物，提供了广泛用于PD研究的临床、影像和生物样本数据[31]。该数据集包括2952份PD患者的MRI扫描和925份健康对照组的MRI扫描，所有数据均使用Siemens Trio 3T MRI扫描仪和3D磁化快速梯度回波（MPRAGE）序列获取。此外，还选择了90份症状评估测试结果作为文本数据

结论

据我们所知，本研究是首次将跨模态注意力与循环课程学习结合用于PD进展预测的工作。通过这种协同作用，在多模态融合和渐进式学习两个关键方面取得了创新。CMA动态地对齐并整合了MRI和症状评估特征，形成了高度区分性的多模态表示，从而提高了模型对早期阶段的敏感性

伦理批准

本研究使用了来自帕金森病进展标志物计划（PPMI）数据库的匿名数据（www.ppmi-info.org），这些数据是在IRB批准和知情同意下收集的，所有个人标识符均已移除。无需额外的伦理批准。

未引用参考文献

图1、图2、图3和表1。

CRediT作者贡献声明

黄洪燕：资源获取、调查、正式分析、概念构建。杨云飞：撰写初稿、可视化、验证、方法论。张晓波：撰写与编辑、监督、项目管理、正式分析。鲍金宇：验证、监督、方法论、数据管理。刘华：监督、项目管理、正式分析、概念构建。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了国家自然科学基金（编号：61976247）、四川省重点研发计划（编号：2024YFFK0410）和四川省区域创新合作计划（编号：2024YFHZ0066）的支持。