ترجمه فارسی مقاله MLC-GCN: GCN مبتنی بر کانکتوم تولید شده چند سطحی برای تحلیل AD

چکیده

Alzheimer’s Disease (AD) is a currently incurable neurodegeneartive disease. Accurately detecting AD, especially in the early stage, represents a high research priority. AD is characterized by progressive cognitive impairments that are related to alterations in brain functional connectivity (FC). Based on this association, many studies have been published over the decades using FC and machine learning to differentiate AD from healthy aging. The most recent development in this detection method highlights the use of graph neural network (GNN) as the brain functionality analysis. In this paper, we proposed a stack of spatio-temporal feature extraction and graph generation based AD classification model using resting state fMRI. The proposed multi-level generated connectome (MLC) based graph convolutional network (GCN) (MLC-GCN) contains a multi-graph generation block and a GCN prediction block. The multi-graph generation block consists of a hierarchy of spatio-temporal feature extraction layers for extracting spatio-temporal rsfMRI features at different depths and building the corresponding connectomes. The GCN prediction block takes the learned multi-level connectomes to build and optimize GCNs at each level and concatenates the learned graphical features as the final predicting features for AD classification. Through independent cohort validations, MLC-GCN shows better performance for differentiating MCI, AD, and normal aging than state-of-art GCN and rsfMRI based AD classifiers. The proposed MLC-GCN also showed high explainability in terms of learning clinically reasonable connectome node and connectivity features from two independent datasets. While we only tested MLC-GCN on AD, the basic rsfMRI-based multi-level learned GCN based outcome prediction strategy is valid for other diseases or clinical outcomes.

چکیده به فارسی (ترجمه ماشینی)

بیماری آلزایمر (AD) یک بیماری عصبی در حال حاضر غیرقابل تحمل است.تشخیص دقیق AD ، به ویژه در مراحل اولیه ، اولویت تحقیق بالایی را نشان می دهد.AD با اختلالات شناختی مترقی که مربوط به تغییرات در اتصال عملکردی مغز (FC) است ، مشخص می شود.بر اساس این انجمن ، مطالعات بسیاری در طی چند دهه با استفاده از FC و یادگیری ماشین برای تمایز AD از پیری سالم منتشر شده است.جدیدترین پیشرفت در این روش تشخیص ، استفاده از شبکه عصبی نمودار (GNN) را به عنوان تجزیه و تحلیل عملکرد مغز برجسته می کند.در این مقاله ، ما یک پشته از استخراج ویژگی های مکانی و مکانی و مدل طبقه بندی مبتنی بر تولید گراف را با استفاده از حالت استراحت FMRI پیشنهاد کردیم.شبکه Connolutional Graph (GCN) (MLC-GCN) تولید چند سطحی تولید شده (MLC) مبتنی بر شبکه (MLC-GCN) حاوی یک بلوک تولید چند گراف و یک بلوک پیش بینی GCN است.بلوک نسل چند گراف شامل یک سلسله مراتب از لایه های استخراج ویژگی های فضایی-زمانی برای استخراج ویژگی های فضایی-زمانی RSFMRI در اعماق مختلف و ساخت اتصالات مربوطه است.بلوک پیش بینی GCN اتصال چند سطح آموخته شده را برای ساخت و بهینه سازی GCN در هر سطح می گیرد و ویژگی های گرافیکی آموخته شده را به عنوان ویژگی های پیش بینی نهایی برای طبقه بندی AD جمع می کند.از طریق اعتبارسنجی گروهی مستقل ، MLC-GCN عملکرد بهتری را برای تمایز MCI ، AD و پیری طبیعی نسبت به طبقه بندی کننده های AD مبتنی بر GCN و RSFMRI نشان می دهد.MLC-GCN پیشنهادی همچنین توضیحات بالایی را از نظر یادگیری گره اتصال بالینی معقول و ویژگی های اتصال از دو مجموعه داده مستقل نشان داد.در حالی که ما فقط MLC-GCN را در AD آزمایش کردیم ، استراتژی پیش بینی نتیجه GCN مبتنی بر GCN مبتنی بر RSFMRI مبتنی بر RSFMRI برای سایر بیماری ها یا نتایج بالینی معتبر است.