基于噪声混淆增强特征鲁棒性的脑疾病预测

随着医学影像数据的不断发展，纵向数据分析逐渐成为了解和跟踪阿尔茨海默病（Alzheimer’s disease， AD）发病过程的重要研究方向。目前已经提出了许多纵向数据分析方法，其中多任务学习得到广泛应用，它能够集成多个时间点的影像数据，提高模型的泛化能力。大多数现有的方法能够识别不同时间点的共享特征，但这些特征中会包含一定的噪声。与此同时，不同时间点进展的潜在关联仍未得到充分的探索。本文提出了一种基于参数分解和关系诱导的多任务学习（Parameter decomposition and relation-induced multi-task learning， PDRIMTL）方法，以此从纵向数据中识别特征。该方法不仅能够识别去除噪声后的共享特征，提高共享特征的鲁棒性，而且能够对不同时间点的内在关联进行建模。结果表明，在不同时间点的结构磁共振成像（Structural magnetic resonance imaging，sMRI）数据上，该模型能够有效提高对AD鉴别的准确性。