基于混合CNN-RNN模型的额颞叶痴呆进展预测：一种新颖的表格到图像转换方法

《ACM Transactions on Computing for Healthcare》：A Novel Tabular-to-Image Conversion Approach for Frontotemporal Dementia Progression Forecasting using Hybrid CNN-RNN Models

　　

摘要AI摘要

要查看此AI生成的摘要，您必须拥有高级访问权限。

了解更多信息登录

摘要

摘要

额颞叶痴呆（Frontotemporal Dementia, FTD）由于其复杂的时间动态特征以及获取纵向成像数据的实际困难，在疾病进展预测方面面临重大挑战。卷积神经网络（CNNs）在基于图像的任务中表现卓越，但在缺乏空间关系的表格数据上表现不佳。为了应对这些挑战，我们提出了一种张量化图像生成器（Tensorized Image Generator, TIG）算法，将纵向表格数据转换为结构化的图像表示。TIG系统地映射特征到特定像素位置，同时保留相关特征之间的空间邻近性，从而能够使用CNN进行有效的空间特征提取。我们利用来自FTLDNI档案库的纵向神经精神数据，开发了一个混合深度学习框架，将CNN与循环神经网络（RNNs）（包括长短期记忆网络（LSTM）和门控循环单元（GRU））集成，以建模时间动态。这种方法能够预测FTD未来长达四年的进展。基准测试结果揭示，使用TIG生成的图像训练的CNN-LSTM和CNN-GRU模型，与使用原始表格数据和现有转换方法（如IGTD）生成的图像训练的模型相比，实现了显著更低的均方误差和平均绝对误差。此外，TIG生成的图像在保持特征邻域结构方面表现优于时空ConvLSTM2D模型，为FTD进展预测提供了一种新颖且高效的解决方案。

AI摘要

AI生成摘要（实验性）

此摘要由自动化工具生成，未由文章作者撰写或审核。它旨在支持发现，帮助读者评估相关性，并协助来自相关研究领域的读者理解该研究。它旨在补充作者提供的摘要，后者仍然是论文的主要摘要。完整文章仍然是权威的记录版本。点击此处了解更多信息。

点击此处评论此摘要的准确性、清晰度和有用性。这样做将有助于改进未来的再生成版本。

要查看此AI生成的简明摘要，您必须拥有高级访问权限。