ترجمه فارسی مقاله یک مدل توجه عمیق فضایی-زمانی از اتصال شبکه عملکردی پویا، حساسیت به آلزایمر را در افراد بدون علامت نشان می‌دهد.

چکیده

Alzheimer’s disease (AD) progresses from asymptomatic changes to clinical symptoms, emphasizing the importance of early detection for proper treatment. Functional magnetic resonance imaging (fMRI), particularly dynamic functional network connectivity (dFNC), has emerged as an important biomarker for AD. Nevertheless, studies probing at-risk subjects in the pre-symptomatic stage using dFNC are limited. To identify at-risk subjects and understand alterations of dFNC in different stages, we leverage deep learning advancements and introduce a transformer-convolution framework for predicting at-risk subjects based on dFNC, incorporating spatial-temporal self-attention to capture brain network dependencies and temporal dynamics. Our model significantly outperforms other popular machine learning methods. By analyzing individuals with diagnosed AD and mild cognitive impairment (MCI), we studied the AD progression and observed a higher similarity between MCI and asymptomatic AD. The interpretable analysis highlights the cognitive-control network’s diagnostic importance, with the model focusing on intra-visual domain dFNC when predicting asymptomatic AD subjects.

چکیده به فارسی (ترجمه ماشینی)

بیماری آلزایمر (AD) از تغییرات بدون علامت به علائم بالینی پیشرفت می کند و بر اهمیت تشخیص زودرس برای درمان مناسب تأکید می کند.تصویربرداری رزونانس مغناطیسی عملکردی (FMRI) ، به ویژه اتصال شبکه عملکردی پویا (DFNC) ، به عنوان یک نشانگر مهم برای AD ظاهر شده است.با این وجود ، مطالعاتی که در مورد افراد در معرض خطر در مرحله قبل از علامت گذاری با استفاده از DFNC انجام می شوند ، محدود هستند.برای شناسایی افراد در معرض خطر و درک تغییرات DFNC در مراحل مختلف ، ما از پیشرفت های یادگیری عمیق بهره می گیریم و یک چارچوب ترانسفورماتور-هماهنگی برای پیش بینی افراد در معرض خطر را بر اساس DFNC ، ترکیب خود به مکانی خود را برای گرفتن وابستگی های شبکه مغز و به دست می آوریم.پویایی موقتی.مدل ما به طور قابل توجهی بهتر از سایر روشهای یادگیری ماشین محبوب است.با تجزیه و تحلیل افراد مبتلا به AD تشخیص داده شده و اختلال شناختی خفیف (MCI) ، پیشرفت AD را مورد مطالعه قرار دادیم و شباهت بالاتری بین MCI و AD بدون علامت مشاهده کردیم.تجزیه و تحلیل قابل تفسیر اهمیت تشخیص شبکه شناختی کنترل شبکه را برجسته می کند ، با این که مدل هنگام پیش بینی موضوعات AD بدون علامت بر دامنه درون بصری DFNC متمرکز شده است.