多模态协同特征选择提升阿尔茨海默病识别

本文主要探讨了多任务学习在阿尔茨海默病（AD）和轻度认知障碍（MCI）识别中的应用，特别是在整合多模态数据时克服传统方法的局限性。传统的多模态特征选择通常针对每个模态独立进行，这忽视了不同模态之间可能存在的强相关性。为了充分利用这种跨模态互补信息，研究者提出了一种新颖的多任务特征选择方法。 该方法的核心是将每个模态的特征选择视为独立的任务，同时引入一个约束，旨在保持不同模态之间的相互关系。通过这种方式，即使在联合特征选择过程中，也能确保不同模态传递的独特但互补的信息得以保留。这种方法不仅考虑了单个模态的特征稀疏性，还注重跨模态联系的维护。在完成特征选择后，多核支持向量机（SVM）被用来整合各模态选中的特征，用于最终的分类任务。 实验评估是在阿尔茨海默病神经影像学 initiative (ADNI) 数据库的基线PET和MRI图像上进行的。结果显示，该方法在AD识别上的表现优异，达到了94.37%的准确率和0.9724的曲线下面积（AUC）。对于MCI的识别，也有78.80%的准确率和0.8284的AUC。此外，该方法在区分MCI进展者与非进展者方面也表现出色，达到了67.83%的准确率和0.6957的AUC。 这些结果证明了所提方法相对于现有最先进的分类方法具有显著的优势，它能够更有效地整合多模态信息，提高AD和MCI诊断的准确性，同时处理了不同模态之间的复杂关系。多任务学习在医疗领域的应用，特别是神经退行性疾病如AD的研究中，展示了其潜力，为未来深度学习和跨模态数据分析提供了新的思路。