近日，课题组有关面向多模态3D影像的MCI早期预警，在线发表在《Physics in Medicine and Biology》，论文题目为：Identification of mild cognitive impairment using multimodal 3D imaging data and graph convolutional networks。

轻度认知障碍（MCI）是痴呆的前兆阶段，其特征是一个或多个认知领域的轻度认知下降，但不满足痴呆的标准。MCI 被认为是阿尔茨海默病（AD）的前驱形式。早期识别 MCI 对于干预和预防 AD 都至关重要。为了准确识别 MCI，本文设计了一种新的多模态 3D 成像数据集成图卷积网络模型。方法。提出的模型利用 3D-VGGNet 从多模态成像数据（如 sMRI 和 FDG-PET）中提取三维特征，然后将其融合为特征向量作为人口图的节点特征。将参与者的非成像特征与多模态成像数据相结合，构建人口稀疏图。此外，为了优化图的连通性，我们采用成对属性估计（PAE）方法根据非成像数据计算边权重，从而增强图结构的有效性。随后，基于种群的图卷积网络（GCN）将不同模态图像的结构和功能特征整合到每个被试的特征中，用于 MCI 分类。在 ADNI 上的实验表明，NC-EMCI、NC-LMCI 和 EMCI-LMCI 分类任务的准确率分别为 98.57%、96.03% 和 96.83%。AUC、特异性、灵敏度和 F1 分数也优于最先进的模型，证明了所提模型的有效性。此外，将所提模型应用于 ABIDE 数据集进行自闭症诊断，准确率达到 91.43%，优于最先进的模型，表明所提模型具有出色的泛化能力。本研究展示了所提模型整合多模态成像数据的能力及其出色的 MCI 识别能力。这将有助于实现 AD 的早期预警和其他脑神经退行性疾病的智能诊断。

https://iopscience.iop.org/article/10.1088/1361-6560/ad8c94

DOI 10.1088/1361-6560/ad8c94