
-
生物通官微
陪你抓住生命科技
跳动的脉搏
在针对阿尔茨海默病(Alzheimer’s Disease)的多模态、多任务深度学习框架中,评估同方差不确定性加权(Homoscedastic Uncertainty Weighting)和生成性Tau插补(Generative Tau Imputation)方法的效果
《Neuroinformatics》:Evaluating Homoscedastic Uncertainty Weighting and Generative Tau Imputation in a Multimodal, Multitask Deep Learning Framework for Alzheimer’s Disease
【字体: 大 中 小 】 时间:2026年04月17日 来源:Neuroinformatics 3.1
编辑推荐:
阿尔茨海默病多模态预测模型评估发现,三种方法(不确定性加权、注意力分析、轨迹填补)未显著提升性能,验证了复杂方法需实证检验的重要性。
阿尔茨海默病是一种进行性的神经退行性疾病,也是导致痴呆的主要原因。多模态纵向深度学习模型越来越多地被用于预测疾病阶段和临床恶化情况,然而目前尚不清楚一些流行的方法改进是否能在实际应用中显著提升模型性能。我们分析了阿尔茨海默病神经影像学研究(Alzheimer’s Disease Neuroimaging Initiative)中2,271名参与者的数据。我们训练了一个多模态的CNN-BiLSTM模型,以预测诊断阶段以及四个临床结果:阿尔茨海默病评估量表(Alzheimer’s Disease Assessment Scale)、简易精神状态检查(Mini-Mental State Examination)、功能活动问卷(Functional Activities Questionnaire)和临床痴呆评分-盒和(Clinical Dementia Rating–Sum of Boxes)。我们评估了三种常用的策略:用于多任务学习的同方差不确定性加权(homoscedastic uncertainty weighting)、基于显著性的快照分析(saliency-guided snapshot analysis),以及用于填补缺失纵向tau轨迹的条件变分自编码器-混合密度网络(conditional variational autoencoder–mixture density network)方法。预处理过程采用了“分割安全”(split-safe)的方式,所有预处理步骤仅在训练数据上进行,然后原样应用于验证数据和测试数据。不确定性加权在描述性分类方面显示出一定的优势,尤其是在没有tau数据的情况下;但在所有评估指标上并未带来一致的回归优势。学习到的任务权重在不同数据分割中保持稳定,并且相对于回归部分,分类部分的精度较低。显著性和遮挡分析表明,认知影像和磁共振成像(cognitive and magnetic resonance imaging)输入的数据具有最大的贡献价值,而当包含tau数据时,其贡献几乎可以忽略不计。快照模型保留了一定的分类信息,但性能低于完整模型,且无法保持回归能力。tau数据填补模型能够合理地重建稀疏的tau轨迹,但添加了填补后的tau数据并未提升后续的预测效果。在这个CNN-BiLSTM框架中,增加方法复杂性带来的实际收益有限且参差不齐,这凸显了通过实证测试来验证方法改进的重要性,而不是盲目假设它们能改善多模态阿尔茨海默病预测的效果。
阿尔茨海默病是一种进行性的神经退行性疾病,也是导致痴呆的主要原因。多模态纵向深度学习模型越来越多地被用于预测疾病阶段和临床恶化情况,然而目前尚不清楚一些流行的方法改进是否能在实际应用中显著提升模型性能。我们分析了阿尔茨海默病神经影像学研究(Alzheimer’s Disease Neuroimaging Initiative)中2,271名参与者的数据。我们训练了一个多模态的CNN-BiLSTM模型,以预测诊断阶段以及四个临床结果:阿尔茨海默病评估量表(Alzheimer’s Disease Assessment Scale)、简易精神状态检查(Mini-Mental State Examination)、功能活动问卷(Functional Activities Questionnaire)和临床痴呆评分-盒和(Clinical Dementia Rating–Sum of Boxes)。我们评估了三种常用的策略:用于多任务学习的同方差不确定性加权(homoscedastic uncertainty weighting)、基于显著性的快照分析(saliency-guided snapshot analysis),以及用于填补缺失纵向tau轨迹的条件变分自编码器-混合密度网络(conditional variational autoencoder–mixture density network)方法。预处理过程采用了“分割安全”(split-safe)的方式,所有预处理步骤仅在训练数据上进行,然后原样应用于验证数据和测试数据。不确定性加权在描述性分类方面显示出一定的优势,尤其是在没有tau数据的情况下;但在所有评估指标上并未带来一致的回归优势。学习到的任务权重在不同数据分割中保持稳定,并且相对于回归部分,分类部分的精度较低。显著性和遮挡分析表明,认知影像和磁共振成像(cognitive and magnetic resonance imaging)输入的数据具有最大的贡献价值,而当包含tau数据时,其贡献几乎可以忽略不计。快照模型保留了一定的分类信息,但性能低于完整模型,且无法保持回归能力。tau数据填补模型能够合理地重建稀疏的tau轨迹,但添加了填补后的tau数据并未提升后续的预测效果。在这个CNN-BiLSTM框架中,增加方法复杂性带来的实际收益有限且参差不齐,这凸显了通过实证测试来验证方法改进的重要性,而不是盲目假设它们能改善多模态阿尔茨海默病预测的效果。