使用生物标志物预测认知能力下降的纵向富集表示模型

4827使用成像生物标志物的纵向富集表示预测认知能力下降*吕建，王华，Saad Elbeleidy计算机科学系，科罗拉多矿业学院，科罗拉多州戈尔登，80401，美国网址：lyujianlu@mymail.mines.edu，huawangcs@gmail.com，网址：www.example.com，selbeleidy@mymail.mines.edu聂飞平计算机科学学院和光学图像分析与学习中心（OPTIMAL），西北工业大学，西安R. 中国feipingnie@gmail.com阿尔茨海默摘要近年来，随着高通量基因分型和神经影像学技术的快速发展，以阿尔茨海默病（Alzheimer 'sDisease，AD）为代表的复杂脑疾病的研究已经研究了许多预测模型，以将神经成像测量与这些疾病发展时的进展中的认知缺失数据是纵向神经影像学研究中准确预测受试者认知评分的最大挑战之一。为了解决这个问题，在本文中，我们提出了一种新的公式来学习成像生物标志物的丰富表示，该表示可以同时捕获由基线神经成像记录传达的信息以及随时间推移可用的随访记录的不同计数的渐进变化虽然参与者的大脑扫描的数量不同，但每个参与者的学习生物标志物表示是固定长度的向量，这使得我们能够使用传统的学习模型来研究AD发展。我们的新目标是制定最大化的比率的总和的一些number1范数的距离，以提高鲁棒性，这是很难有效地解决一般。 因此，我们导出了一个新的有效的迭代求解算法，并严格*本文所用数据来自ADNI数据库（adni.loni.usc.edu）。因此，ADNI内的研究者为ADNI的设计和实施做出了贡献和/或提供了数据，但没有参与分析或撰写这份报告。ADNI调查人员的完整列 表 可 以 在https://adni.loni.usc.edu/wp-content/uploads/how_to_apply/ADNI_Acknowledgement_List.pdf。†通讯作者。这项工作得到了部分支持的Na-在IIS 1652943、IIS 1849359和CNS 1932482的资助下，证明其收敛性。我们对阿尔茨海默病神经成像倡议（ADNI）数据集进行了广泛当我们将原始基线表征与经过丰富的学习表征进行比较时，已经实现了预测四种不同认知分数的这些有希望的实验结果表明，我们的新方法，验证其有效性的性能1. 介绍阿尔茨海默病（Alzheimer's Disease，AD）是一种AD通常沿着时间连续体进展，最初从临床前阶段，随后到轻度认知功能障碍（MCI），最终恶化为AD[36]。根据最近的一份报告[1]，AD是美国第六大死亡原因。据估计5.7 目前，全球约有100万人患有AD，预计到本世纪中叶，这一数字将增长到1380万，这在很大程度上是由于婴儿潮一代的老龄化。据估计，目前全球AD患者人数为4400万，到2050年，每85人中就有1人会受到AD的影响[1]。由于这些事实，广告近年来引起了越来越多的关注.在过去的十年中，神经影像学测量已被广泛研究，以预测疾病状态和/或认知表现[8，30，31，24，40，29，22，38]。然而，这些方法通常执行标准的重定位，4828在所有时间点分别进行回归和/或分类，从而忽略了脑表型的纵向变化。由于AD是一种进行性神经退行性疾病，因此探索生物标志物纵向记录之间的时间关系将是有益的。在阿尔茨海默病神经影像学倡议（ADNI）队列的研究中，参与者在不同的时间点进行随访，包括基线（BL）、第6个月（M6）、第12个月（M12）、第18个 月 （ M18 ） 、 第 24 个 月 （ M24 ） 和 第 36 个 月（M36），这为通过使用来自多个时间点的纵向数据来开发更有效的预测模型提供了可能性。为了探索脑表型的时间结构，近年来提出了纵向预测模型然而，在这些研究中，纵向信息被建模为张量，这不可避免地使问题复杂化因此，将只能处理向量或矩阵数据的经典机器学习模型扩展到AD发展研究中并不容易病历缺失数据是纵向数据研究的另一个重要挑战。较高的死亡风险和认知障碍阻碍老年人继续参与需要多次访视的研究，从而导致数据不完整[37，39]。纵向医学数据中缺失的成像记录导致不同参与者的样本长度不同为了解决这个问题，许多使用纵向医学数据的现有AD研究选择仅使用具有完整时间记录的数据样本进行模型分析，而忽略具有很少时间点的数据样本[33，35，17]。显然，丢弃具有较少时间记录的样本可能会破坏数据集。为了解决这个问题，提出了数据插补方法[14，37，39]使用插补数据，可以进行回归和分类研究。然而，这些数据完成方法是否可以保留神经影像学测量的纵向结构仍然是AD研究中一个未充分探索的话题。更糟糕的为了解决具有不完整时间输入的纵向预测问题，在本研究中，我们提出了一种新的公式来学习富集的生物标志物表示，其将基线生物标志物测量和跨以下时间点的动态时间成像测量相结合。在我们丰富的生物标志物表示学习框架中，我们使用生物标志物记录在每个参与者的所有可用时间点（{M6，M12，M18，M24，M36}的子集），从中我们学习可以将基线记录映射到较低的维固定长度向量，无论是否一致，数据集中参与者的医疗记录的帐篷大小有了固定长度的生物标志物表示，我们可以利用传统的回归和/或分类方法来预测AD患者的认知下降。在我们提出的学习丰富样本表示的框架中，它首先从可用的后续成像记录中学习投影。然后，它将学习的投影应用于基线神经成像记录，以计算固定长度的富集生物标志物表示。通过这些程序，学习的表示同时捕获由基线神经成像记录和每个参与者的所有可用随访记录的渐进式摘要 我们进一步-通过在我们的公式中将平方2-范数距离替换为平方1-范数距离来实现所提出的目标，以提高学习的丰富表示的鲁棒性对可能的离群样本所造成的不同数量的大脑扫描的参与者在研究队列。尽管其明确的动机是整合来自基线神经成像记录和可用的随访记录的信息，但所提出的目标最终成为一个优化问题，该问题同时最大化和最小化许多N1范数差异的总和。tances为了解决这个具有挑战性的优化问题，我们给出了一个理论上保证收敛的非贪婪迭代算法。已经在ADNI队列上进行了广泛的实验，证明了我们的新方法所带来的性能改善。我们首先将基线生物标志物表示的预测能力与通过学习我们五种不同的广泛使用的预测模型获得的丰富对应物进行比较：线性回归（LR）、岭回归（RR）、Lasso [25]、支持向量回归（SVR）[23]和卷积神经网络（CNN）[2]。我们在基于体素的形态学（VBM）生物标志物的四个认知评分上实现了明显的性能增益，这验证了我们所提出的方法的有效性。在本文的其余部分，我们将首先介绍我们的新学习模型的优化目标，以学习投影来丰富第2节中的基线成像生物标志物表示，然后是迭代算法的数学推导，以解决第3节中提出的目标和算法的收敛性分析。然后，我们在第4节中报告了支持我们假设的综合实证研究的实验结果。最后，本文在第5节中进行了总结2. 我们新方法在本节中，我们将首先将问题形式化，以学习丰富的神经成像生物标志物表示，48292√Σ在这里我们将介绍本文中使用的符号。然后，我们将逐步制定拟定目标，以学习单个固定长度的向量表示，该向量表示可以从基线神经成像记录和所有时间点的随访记录的渐进变化中同步捕获信息。2.1. 符号在这篇文章中，我们将用粗体字表示矩阵，用粗体字表示向量矩阵M=[mi j]的t矩阵定义为tr（M）=我的天 向量v的范数定义为：|而v的范数定义为v = v 2。|and the ℓ-norm of v isdefined as ǁvǁ=v2.神经影像学记录。通过整合基线神经成像记录和后续神经成像记录的动态时间变化，我们的目标是在学习的投影子空间中保持神经成像记录之间的全局和局部一致性。通常，健康受试者（在ADNI数据集中标记为健康对照（HC））和大多数诊断为受损的患者也就是说，帕金森病患者的神经成像测量在短时间内不会经历剧烈的变化因此，我们的目标是通过最小化投影子空间中邻近月份的记录的局部方差来保持投影空间中的这种局部一致性。马特我I22ii在数学上，我们表示xi的K -最近邻作为Ni2.2. 问题形式化和xi的局部平均向量为：在使用ADNI数据集预测认知能力下降的任务中，我们的目标是为每个参与者学习一个固定长度的生物标志物表示向量，1Xi=K+1Σxj∈{Ni<${xi}}xj.（二）基线神经影像学记录和所有可用随访参与者的医学扫描。我们把神经图像-我们可以实现整体的局部一致性通过最小化以下目标来实现数据集[27]：将每个参与者的测量值设置为：X={x，X}。在这里，x∈Ed是受试者JLocal（W）=tr不.WTΣSLW，（三）在 基 线 时 间 点 ， 其 中 d 表 示 神 经 成 像 特 征 的 数量;X=[x1， . ，xn]∈ [xsd ×n]收集后三年每个时间点的所有可用随访生物标志物记录，其中n表示研究对象的神经影像学记录的可用数量参与者给定所研究队列中参与者的神经成像样本X，我们的目标是学习y=f（X）的丰富表示，该表示捕获来自两个S.T. W其中，SL定义为：SL=和ΣSLi=xj∈{Ni<${ xi}}W=I，ΣnSLi，（4）i=1（xj− xi）（xj− xi）T.（五）基线神经影像学记录和进行性变化每个时间点。 更具体地说，首先，显然，正如我们在[27]中的早期工作中所讨论的SLi计算数据点的局部协方差矩阵X=[X1， . ，xn]∈{d×n}我们打算学习一个投影它总结了神经成像的时间变化在xi附近。 从而最小化tr.WTΣ李伟确保记录基线时间点之后的所有时间点：W=g（X）。然后，通过应用所学的项目，在xi附近的局部一致性和最小化JLocal当量（3）确保所有数据的整体本地一致性样品常数因子1在等式中被省略（3-5）在基线神经成像记录上，我们计算一个为了简洁。K+1单个固定长度向量表示如下：y= f（X）= f（g（X），x）.（一）我们希望学习表征能同时捕捉到基线神经影像记录和随访神经影像记录的动态变化所传达的信息。因为跨数据集的样本的这种学习的生物标志物表示具有相同的长度，所以它们可以容易地由传统的学习模型使用除了利用随访月内可用神经影像学记录的局部一致性外，我们还考虑了神经影像学记录的全局结构。使用通过主成分分析（PCA）[10]学习的全局投影，我们通过计算y = W T x将高d维空间中的基线测量x映射到较低r维空间中的向量y，使得投影空间中的数据请保留尽可能多的信息：用于研究认知能力下降的各种分析任务2.3. 通过投影进行J全局（W）=trΣn.WT¨ΣSG W¨24830在本节中，我们将开发拟议的目标-=i=1<$WT（xi−x）<$，（六）学习一个新的固定长度的向量表示-S.T. WTW=I，4831n2ℓL其中我们计算：SG= Σni=1（xi−x）（xi−x）T，（7）3. 最优化算法来解决我们的目标Eq中的目标。(10)最大化比率它是输入数据X的协方差矩阵，我们解的总和的一个数量的numer1-范数距离，其中“不”是“不”，“不”是“不”，是“不”。Finne：x=1nΣni=1（8）al.因此，根据我们以前的工作[7，12]，我们导出了一个有效的迭代求解算法，并在本节中证明了它的收敛性。作为一个重要的算法骗局-其是输入数据X的全局平均值。同样，为了简洁起见，常数因子1也被省略。为了整合全球和地方的新能源，通过矩阵的迹比，我们可以将新的目标公式化为：因此，所提出的求解算法是非贪婪的，自然3.1. 求解一个一般的比率最大化优化问题.TRWTΣSG W我们首先研究以下一般优化问题-lem最大化一对函数的比率，并导出J2（W）=tr（WTSW）一个有效的迭代算法来解决它：Σn¨2WT（ xi− x）（九）Max h（v）， 其中m（v）≥0（n ∈v∈ C），（12）i=1，v∈C m（v）中文（简体）WT（ xj−xi）i=1xj∈{Ni <${xi}}S.T. W TW = I.其中，k是变量v的可行域。为了解决上述优化问题，我们提出了一个简单而有效的迭代算法，如算法1所述，其收敛性可以通过定理证明在Eq. (9)在于2rem 1它计算了一些的总和的比率，2-范数距离的平方，众所周知，它对离群样本和特征都很敏感[28，20]。因此，我们进一步重写Eq中的目标（9）如下：算法1：求解方程的算法（十二）、1. 随机初始化v0∈k，设k= 1;而不收敛Σn¨ ¨kh（vk−1）WT（xi−x）2. 计算λ（vk−1）;J（W）=i=1，3. 找到一个vk∈k满足1（10）WT（xj−xi）h（vk）−λkm（vk）i=1xj∈{Ni <${ xi}}S.T. WT W= I，其中，我们计算了许多N1-范数距离的总和，因为N1-范数距离可以提升端> h（v）4. k=k+ 1;k−1）−λkm（vk−1return 0;（十三）对离群样本和特征的鲁棒性[26，18，28、11、19、15、16]。在解决Eq. (10)学习的富集神经成像表示不仅保留了生物标记测量的全局方差，而且还保持了局部几何结构，从而在学习的子空间中全局和局部一致此外，我们丰富的神经影像表示x的输出：v.定理1算法1在每个迭代中增加目标直到收敛。证据因为v∈Cm（v）>0，根据算法（1）的步骤3，我们可以得到输入通过计算来测量XH. x（t）（吨）T.Σ≥ λ.（十四）y=f（g（ X），x）= Wx，（11）mx（t）它是一种固定长度的单向量表示，可以很容易地被任何经典的机器学习模型使用。算法（1）的步骤2定义为：.Σ22114832用于回归或分类分析。 这的确是。（吨）hx（t−1）λ=- 是的Σ。（十五）本文的主要贡献。mx（t−1）4833+我¨MM....W¨因此，我们有.Σhx（t）.Σhx（t−1）引理2[9，引理 3.1] 为 任何向量T=[T1，· · ·，Tm]T∈Tm，我们有.Σ≥mx（t）.（16）mx（t−1）最小值1=min1Σmξ2+ 1（20）第一章这就完成了证明。□η∈ Σm2ηi2i=13.2. 我们的算法来解决方程。（十）因为我们在Eq. (10)是等式中比率最大化的一般优化问题的特殊情况。(1)，我们可以推导出算法2来求解Eq. (10)，其收敛性由此由算法1保证当且仅当ηj=|ξj|， j∈{1，2，· · ·，m}。根据引理1和引理2，求解方程（1）中的(18)我们引入以下函数：.ΣLW（t），W（t−1）=定理1。算法2：求解方程的算法（十）、1. 随机初始化W（0），满足H哪里.Σw（t），W（t−1）-λ（t）M.ΣW（t），W（t−1） 、（二十一）. W（0）≠W（0）=I且设k=1;而不收敛.ΣHW（t），W（t−1）2. 计算λ（t）=Σn ¨。ΣT¨Σr-是的=m=1ΣT（吨）M..B符号 BTΣΣ（t−1）M（二十二）（t−1）¨¨（xi−x）<$其中sign（x）是符号函数，并且i=11;.ΣΣnΣ.ΣTWt（t−1）（xj−xi））1MW（t），W（t−1）=i=1xj∈Ni <${ xi}3. 求W（t）满足（十七）1Σr-是的2m=1ΣT（吨）M.Amw（t）+ΣT（t−1）MAmw（t−1）.（二十三）.在方程式中，（21-（t）m mQW=J全球≥0;.ΣW（t） -λ（t）J本地.ΣW（t）矩阵W（t）和W（t−1）的umn，并定义B和Am如下：B=[x1−x，x2−x，· · ·，xn−x]，（24）算法3;（十八）ΣnAm=（xj. .— xi）（xjΣT（t−1）— （一）T. -是的（二十五）4. t=t+ 1;端i=1xj∈Ni <${xi}. WM（xj− xi）。输出：W.定理2F或任何W（t）∈φd×r和W（t−1）∈φd×r，我们有现在我们需要解决Eq中的问题。(18)在算法（2）中，我们首先引入以下两个.ΣLW（t），W（t−1）.Σ≤QW（t） .（二十六）引理WWWW、4834引理1[13，定理 第1页] 为 任何向量T=[T1，· · ·，Tm]T∈Tm，我们有ǁξǁ1= max(sign(η))Tξ,(19)η∈m等式成立当且仅当W（t）= W（t−1）。由于篇幅所限，定理2的证明将在本文以后的扩展期刊版.将W（t）=W（t−1）代入函数LW（t），W（t−1），我们有：其中，当且仅当η=a × n，其中a >0是标量。.ΣLW（t−1），W（t−1）.Σ=QW（t−1）=0。（二十七）4835k−1k−1¨−在第t次迭代中，在求解方程中的目标函数时，(10)，最优解W满足算法3：解决优化问题（18）。（吨）L. W，Wk−1.Σ≥LW，W= 0。（二十八）输入：W1. 计算λ（t）=以及参数0<β1;然后，我们有：⋆.Σn（t−1）Σn¨¨ΣTW（t−1）¨¨（xi−x）<$Q（W） ≥LW，W.11=11≥LW（t−1），W（t−1）（二十九）ΣnΣ.ΣTWt（t−1）（xj−xi））1.Σ=QW（t−1）=0。i=1xj∈Ni <${xi}（三十二）定理2和Eq.（29）表明，因此，次梯度被计算为问题，问题当量（18）可以通过变换来解决问题。（t−1）.（t−1）Σ（t−1）L的lemW（t），W（t−1）≥0，可以通过以下方式求解：G=10LW，W（三十三）投影次梯度法与A. 雷米戈航运公司并且设置m= 1;因此，我们计算L的次梯度W（t）为：W（t），W（t−1）在而Q. W（t）< 0做。Σ2. 计算W（t）=P W（t−1）+βmG（t−1）;L（W（t），W（t−1））=B符号Σ.ΣBTW（ t−1）中国（30）3. 计算Q端. W（t）由等式（10）;-λk A 1 w（t），A 2 w（t），···，Apw（t）.输出：W.12p注意，对于给定的矩阵W（t），这里我们定义算子：参与者在五个独立的.ΣPW（t） =W（t）. .ΣTW（t）Σ12W（t）、（三十一）认知评估包括阿尔茨海默其可以将W（t）投影到正交圆锥上。这保证了投影矩阵的正交性约束. W（t）= I.算法3总结了方程中问题的解决方案。（十八）、4. 实验在本节中，我们通过将其应用于ADNI数据库，实验性地评估了通过我们提出的方法学习的富集的生物标志物表示的预测性能4.1. ADNI数据集描述用 于 制 备 实 验 的 数 据 从 ADNI 数 据 库（ adni.loni.usc.edu ） 获 得 我 们 下 载 了 821 名ADNI-1参与者的1.5 T MRI扫描和人口统计学信息。我们通过遵循[21]对MRI数据执行基于体素的形态测量（VBM）和FreeSurfer，并提取90个目标感兴趣区域（ROI）的平均调制灰度（GM）测量。使用基线时HC受试者的回归权重，根据基线颅内容积（ICV）调整这些指标。我们还下载了.4836本研究中检查的影像学记录和认知评估的时间点包括基线、M6、M12、M18、M24和M36。在我们丰富的神经影像表征研究中使用的所有参与者的数据都需要有基线测量，基线认知评分和至少两个来自M6/M12/M18/M24/M36的可用记录。本研究共涉及544例样本受试者，其中AD样本92例，MCI样本205例，HC样本247例。包括四个认知评估评分：（1）来自ADAS认知评估的ADAS TO-TAL评分，（2）来自MMSE认知评估的MMSE评分，（3）来自流畅性认知评估的FLU ANIM和（4）FLU VEG评分。4.2. ADNI队列的性能比较在本小节中，我们将比较通过我们的新方法学习的富集的生物标志物表示与使用VBM生物标志物的基线记录的原始对应物的预测由于篇幅所限，更多的实验结果，如FreeSurfer生物标志物的实验结果，将在未来的扩展期刊版本中提供。48374.2.1实验设置为了验证我们所提出的方法的有用性，我们使用两种类型的神经成像输入-在我们的实验中，利用了几种被证明具有良好泛化能力的方法，如线性回归（LR）、岭回归（RR）、Lasso、支持向量回归（SVR）和CNN。LR模型是统计学习和脑图像分析中最简单、应用最广泛的回归模型。RR是LR的正则化版本，它引入稀疏性来解释过度拟合。Lasso回归执行变量选择和正则化以提高预测精度。支持向量回归机是支持向量机的一种回归形式，在许多不同的应用中得到了广泛的应用。CNN回归是卷积神经网络的回归版本，与经典的机器学习模型相比，它已经证明了其优越的性能对于LR、RR、Lasso和SVR模型，我们通过计算测试数据上认知分数的预测值和真实值之间的均方根误差（RMSE）来进行标准的5重交叉验证方法在标准的5折交叉验证中，数据被平均随机分为5组。在每次试验中，一组被视为测试数据，其他四组被用作训练数据。这个过程依次重复五次，以便所有数据都能得到公平处理。在RR和Lasso方法中，正则化参数被微调，通过搜索{10- 10，...，10−1，1，10，···，1010}。在SVR模型中，利用高斯核，并且框约束参数也在{10- 5，...， 10−1，1，10，···，105}。对于CNN实验来说，设置.对于CNN回归模型，我们随机选择70%的神经成像测量值作为训练集，20%的神经成像测量值作为验证集，剩余的10%的神经成像测量值作为测试集。CNN实验设置中的验证集旨在提供对训练数据集的模型拟合的无偏评估，同时调整模型超参数。报告的评价指标基于测试数据集的结果。我们构造了一个两层卷积架构，认知结果预测：（1）16个1×5卷积（无填充卷积），然后是一个ReLU和一个1×2最大池化操作;（2）32个1×10卷积（无填充卷积），使用ReLU和一个1×2最大池化操作。dropout技术也被用来减少CNN模型中的过拟合，训练数据上的复杂协同适应。在我们所有的实验中，丢弃概率设置为0.3，批量设置为16。4.2.2实验结果从图1中，我们可以看到，在LR、RR、Lasso、SVR和CNN五种不同的方法中，所提出的富集神经成像表示始终优于这可归因于以下原因。首先，原始基线神经成像表示仅涉及一个单一的认知测量，它不能从不同神经成像记录随时间的纵向相关性中获益。相反，我们提出的丰富的神经成像生物标志物表示不仅可以捕获基线神经成像记录，而且可以捕获随访神经成像记录之间的时间局部一致性。我们丰富的神经影像学表现可以整合固定时间点的神经影像学记录及其动态时间变化，同时还研究与讨论由于AD是进行性退行性疾病，因此结合关于受试者的未来信息其次，原始基线神经成像测量表现出高维性，这可能是冗余和噪声的。传统方法容易遭受“维数诅咒”。 通过从Eq中的目标学习的投影，(10)我们将基线认知测量映射到一个低维空间，缓解了高维问题。因此，从图1中我们可以看到，与原始的高维基线表示相比，我们的丰富表示在使用LR，RR和Lasso预测认知结果时实现了很大的改进总之，通过结合每个参与者的原始生物标志物表示的全局和局部一致性，我们学习了低维一致的固定长度富集的神经成像生物标志物表示。通过富集的生物标志物表示，我们使用VBM生物标志物的五种不同常用回归模型获得了预测性能增益，这证明了我们提出的富集生物标志物表示的有用性5. 结论在本文中，我们提出了一种新的配方，学习丰富的神经影像生物标志物表示使用现有的纵向数据。我们丰富的生物标志物表示是通过解决一个新的目标来实现的，该目标加强了投影子空间中每个参与者的神经成像测量的全局和局部一致性，其中全局一致性旨在保持项目期间每个参与者的神经成像测量的相似分布被设计为保持每个参与者的神经成像测量该目标同时最大化和最小化一些N1范数距离的和，这是很难解决的4838原始表示丰富表示原始表示丰富表示MMSE预测的RMSEFLUVEG预测的RMSE3 0.62.5 0.52 0.41.5 0.310.20.5 0.10 02541.53120.5100图1.使用VBM生物标志物的实验结果我们使用原始表示（左）和丰富表示（右）来预测十种不同的基线认知结果，使用五种不同的方法计算每个认知结果的均方根误差（RMSE）值以进行比较。还列出了每种方法与原始表示和丰富表示相比的改进百分比梗概.我们开发了一种有效的迭代求解算法，该算法是非贪婪的，并且理论上被证明是收敛的。我们对VBM生物标志物进行了实验。通过丰富的神经成像表示，我们可以使用五个回归模型预测十种不同的认知结果。确认我们感谢dr.美国匹兹堡大学电子与计算机工程系的黄恒博士和美国麻省理工学院的感谢宾夕法尼亚大学生物统计学、流行病学和信息学系的李申教授为我们提供了本研究实验中使用的ADNI数据。该项目的数据收集和共享由阿尔茨海默病神经影像学研究所（ADNI）（美国国立卫生研究院拨款U 01AG 024904）和DOD ADNI（国防部拨款号W81 XWH-12-2-0012）资助。ADNI由国家老龄化研究所、国家生物医学成像和生物工程研究所资助，并通过以下机构的慷慨捐助：老 年 痴 呆 症 药 物 发 现 基 金 会 ; Araclon Biotech;BioClinica，Inc.;百时美施贵宝公司; CereSpir，Inc.卫材 公 司 ; Elan Pharmaceuticals ， Inc.; 礼 来 公 司 ;EuroImmun; F. Hoffmann-La Roche Ltd及其附属公司Genentech ， Inc.;Fujirebio; GE Healthcare; IXICO Ltd.JanssenAlzheimerImmunotherapyResearchDeadminment ， LLC.; 强 生 制 药 研 究 开 发 有 限 公 司 ;Lumosity; Lundbeck; Merck Co. ， Inc.; Meso ScaleDiagnostics，LLC.; NeuroRx研究神经追踪技术公司诺华制药公司;辉瑞公司;皮拉马尔成像;武田制药公司;和过渡时期的治疗学。加拿大卫生研究院正在提供资金支持加拿大的ADNI临床研究中心。美国国立卫生研究院基金会（www.fnih.org）为私营部门捐款提供便利。受资助组织是北加州研究和教育研究所，该研究由加州大学圣地亚哥分校的阿尔茨海默病合作研究协调ADNI数据由南加州大学神经成像原始表示丰富表示原始表示丰富表示流感病毒预测的RMSEADAS预测的RMSE4839引用[1] 阿尔茨海默氏2018年Alzheimer[2] Vasileios Belagiannis 、 Christian Rupprecht 、 GustavoCarneiro和Nassir Navab。 深度回归的稳健优化。在IEEE计算机视觉国际会议论文集，第2830-2838页[3] Lodewijk Brand ， Kai Nichols ， Hua Wang ， HengHuang，and Li Shen.通过基于张量的联合分类和回归模型预测阿尔茨海默病的纵向结局在Pac Symp Biocomput中，第7-18页。世界科学，2020年。[4] Lodewijk Brand，Kai Nichols，Hua Wang，Li Shen，and Heng Huang.用于阿尔茨海默病预测的联合多模态纵向回归和分类。IEEE医学成像会议，2019年。[5] Lodewijk Brand ， Hua Wang ， Heng Huang ， ShannonRisacher，Andrew Saykin，Li Shen，et al.联合高阶多任务特征学习预测阿尔茨海默病的进展。医学图像计算和计算机辅助干预国际会议，第555-562页。Springer，2018.[6] Serge Gauthier ， Barry Reisberg ， Michael Zaudig ，Ronald C Petersen，Karen Ritchie，Karl Broich，SylvieBelleville ， Henry Brodaty ， David Bennett ， HowardChertkow ， et al. 轻 度 认 知 障 碍 。 柳 叶 刀 ， 367（9518）：1262[7] 非寒、王华、张昊。学习用于长期环路闭合检测的集成整体性地标表示。第三十二届AAAI人工智能会议，2018。[8] ChrisHinrichs ， Vikas Singh ， Guofan Xu ， Sterling CJohnson，Alzheimers Disease Neuroimaging Initiative，etal.多模态框架中的广告预测标记：ADNI人群中MCI进展的分析。神经影像，55（2）：574[9] 鲁道夫·杰纳顿，纪尧姆·奥博辛斯基，弗朗西斯·巴赫。结构化稀疏主成分分析。第十三届人工智能和统计，第366-373页，2010年[10] 伊恩·乔利夫主成分分析国际统计科学百科全书，第1094-1096页。Springer，2011.[11] Kai Liu，Lodewijk Brand，Hua Wang，and Feiping Nie.通过正交约束下的n-2，1-范数距离的比例最小化学习带边信息的鲁棒距离度量在2019年第28届国际人工智能联合会议（IJCAI-19）的会议记录中[12] 刘凯，王华，聂飞平，张浩。学习- ING多实例丰富的图像表示，通过非贪婪的比率最大化的num1-范数距离。在IEEE计算机视觉和模式识别会议上，第7727-7735页，2018年。[13] Yang Liu ， Quanxue Gao ， Shuo Miao ， Xinbo Gao ，Feiping Nie，and Yunsong Li. l1范数线性判别分析的一种非贪婪算法。IEEE传输图像处理。，26（2）：684[14] Raymond Y Lo和William J Jagust。预测阿尔茨海默病纵向研究中缺失的生物标志物数据。神经病学，第WNL[15] LyujianLu，Saad Elbeleidy，Lauren Baker，Hua Wang，Heng Huang，Li Shen，et al.改善对认知结果的预测-通过在进展过程中全局对齐的成像生物标志物富集来实现。医学图像计算和计算机辅助干预国际会议，第140-148页。Springer，2019年。[16] Lyujian Lu ， Saad Elbeleidy ， Lauren Zoe Baker ， HuaWang，and ADNI.通过全局对齐的纵向富集来学习多模式生物标志物表示在AAAI，2020年。[17] 吕建，王华，姚晓晖，香农·里萨彻，安德鲁·赛金，李申。通过高阶多模态多任务特征学习预测认知结果的进展。2018年IEEE第15届国际生物医学成像研讨会（ISBI2018），第545-548页。IEEE，2018年。[18] Feiping Nie，Hua Wang，Heng Huang，and Chris Ding.通过鲁棒表示和结构化稀疏性进行早期主动学习2013年第二十三届人工智能国际联合会议[19] 聂飞平，王华，王正，黄恒。利用n-1，2-模的比值最小化进行线性判别分析.arXiv预印本arXiv：1907.00211，2019。[20] 聂飞平，袁建军，黄恒。最优均值稳健主成分分析。在机器学习国际会议上，第1062-1070页[21] Shannon L Risacher，Li Shen，John D West，SungeunKim，Brenna C McDonald，Laurel A Beckett，Danielle JHarvey，Clifford R Jack Jr，Michael W Weiner，AndrewJ Saykin，et al.纵向MRI萎缩生物标志物：与adni队列中转化的关系。Neurobiology of aging，31（8）：1401[22] LiShen，Sungeun Kim，Shannon L Risacher，KwangsikNho ， Shanker Swaminathan ， John D West ， TatianaForoud，Nathan Pankratz，Jason H Moore，Chantel DSloan，et al.全脑成像表型的全基因组关联研究用于确定MCI和AD的数量性状基因座：Adni队列研究。神经影像，53（3）：1051[23] Al e xJSmolaandBernhardSchoülk opf. 支 持 向 量 回 归 机（SVM）统计和计算，14（3）：199-222，2004年。[24] CynthiaMStonnington ， CarltonChu ， StefanKlo？ ppel ，Clif-ford R Jack Jr ， John Ashburner ， Richard SJFrackowiak，Alzheimer病神经影像学倡议，等神经影像，51（4）：1405[25] 罗伯特·提伯希拉尼通过套索进行回归收缩和选择。英国皇家统计学会杂志：Series B（Methodological），58（1）：267 -288，1996.[26] 王华、聂飞平、黄恒。多实例学习的鲁棒和区分距离。在2012年IEEE计算机视觉和模式识别会议上，第2919-2924页。IEEE，2012。4840[27] 王华、聂飞平、黄恒。全局和局部一致的无监督投影。在AAAI，第1328-1333页[28] 王华、聂飞平、黄恒。鲁棒的距离度量学习，通过同时的 最 小 化 和 最 大 化 。 在 International Conference onMachine Learning（ICML 2014）中，第1836-1844页[29] 王华，聂飞平，黄恒，Shannon Risacher，Chris Ding，Andrew J Saykin，Li Shen，et al.稀疏多任务回归和特征选择识别记忆表现的脑成像预测因子。载于ICCV，第557-562页。IEEE，2011年。[30] 王华，聂飞平，黄恒，Shannon Risacher，Andrew JSaykin，Li Shen，et al.通过联合分类和回归确定ad敏感和认知相关的成像生物标志物。医学图像计算和计算机辅助干预国际会议，第115-123页。Springer，2011.[31] Hua Wang ， Feiping Nie ， Heng Huang ， Shannon LRisacher，Andrew J Saykin，Li Shen，和阿尔茨海默病神经成像倡议。通过稀疏多模态多任务学习从多维异质成像遗传学数据中识别疾病敏感性和定量特征相关生物标志物Bioinformatics，28（12）：i127[32] Hua Wang，Feiping Nie，Heng Huang，Jingwen Yan，Sungeun Kim ，Kwangsik Nho， Shannon L Risacher ，An- drew J Saykin ，Li Shen ， and Alzheimer's DiseaseNeu- roimaging倡议从表型到基因型：纵向表型 标 记 与 阿 尔 茨 海 默 病 相 关 SNPs 的 关 联 研 究Bioinformatics，28（18）：i619[33] Hua Wang，Feiping Nie，Heng Huang，Jingwen Yan，Sungeun Kim，Shannon Risacher，Andrew Saykin，andLi Shen.高阶多任务特征学习识别用于阿尔茨海默病进展预测的长期表型标记NIPS，第1277-1285页，2012年[34] 王晓倩，沈定刚，黄恒。用MRI数据预测记忆障碍：对阿尔茨海默病的纵向研究在MICCAI，第273-281页。施普林格，2016年。[35] Xiaoqian Wang，Jingwen Yan，Xiaohui Yao，SungeunKim，Kwangsik Nho，Shannon L Risache