阿尔茨海默病(Alzheimer’s Disease,AD)是一种慢性神经系统退行性疾病,其准确分类有助于实现AD的早期诊断,从而及时采取针对性的治疗和干预措施.本文提出了一种最近邻域聚合图神经网络(Graph neural network with nearest Neighborhood...阿尔茨海默病(Alzheimer’s Disease,AD)是一种慢性神经系统退行性疾病,其准确分类有助于实现AD的早期诊断,从而及时采取针对性的治疗和干预措施.本文提出了一种最近邻域聚合图神经网络(Graph neural network with nearest Neighborhood AgGrEgation,GraphNAGE)的AD分类新方法.首先进行图数据建模,将AD数据样本表示为图数据.采用基于互信息(Mutual Information,MI)的特征选择方法,从样本的114维大脑皮层与皮层下感兴趣区域(Cerebral Cortex and Subcortical Regions Of Interest,CCS-ROI)的体积特征中选取重要性高的体积特征,并将其用于节点建模.提出基于相似性度量的关系建模方法,利用重要性高的体积特征、遗传基因、人口统计信息和认知评分对样本之间的关系进行建模.进而构建GraphNAGE,针对每个节点,基于与该节点相关的边的权重进行最近邻域采样,然后使用均值聚合方法对采样得到的邻居节点和中心节点的数据进行聚合,最后通过一个全连接层和一个Softmax层实现AD分类.在TADPOLE(The Alzheimer’s Disease Prediction Of Longitudinal Evolution)数据集上进行实验,结果表明:本文提出的AD分类方法的准确率(ACCuracy,ACC)为98.20%,F_(1)分数为97.34%,曲线下面积(Area Under Curve,AUC)为97.80%.实验结果表明:本文提出的AD分类方法充分利用了AD数据样本之间的相关性,其性能优于传统的基于机器学习、深度学习和图神经网络(Graph Neural Network,GNN)的AD分类方法.展开更多
目的:基于肺腺癌原发灶的临床及影像学特征构建肺腺癌隐匿性纵隔淋巴结转移的预测模型。方法:回顾性分析南京医科大学第一附属医院2009—2019年行手术治疗和淋巴结清扫、病理结果为有/无隐匿性纵隔淋巴结转移的肺腺癌患者,收集患者的多...目的:基于肺腺癌原发灶的临床及影像学特征构建肺腺癌隐匿性纵隔淋巴结转移的预测模型。方法:回顾性分析南京医科大学第一附属医院2009—2019年行手术治疗和淋巴结清扫、病理结果为有/无隐匿性纵隔淋巴结转移的肺腺癌患者,收集患者的多个临床及影像学特征。采用单因素和多因素Logistic回归分析筛选独立预测因子,并构建多个CT特征的影像模型。建立受试者工作特征(receiver operating characteristic,ROC)曲线评估各模型的预测效能和临床实用价值。结果:在最终纳入的780例肺腺癌伴大小正常的淋巴结患者中,145例发生淋巴结转移。单因素分析结果提示,肿瘤大小、轴向位置、结节性质、形态学特征、胸膜牵拉征、胸膜毗邻类型与淋巴结转移显著相关。多因素分析结果提示,肿瘤大小(OR=1.019,95%CI:1.002~1.036,P=0.028)、结节性质(OR=0.361,95%CI:0.202~0.646,P=0.001)、胸膜牵拉(OR=1.835,95%CI:1.152~2.924,P=0.011)和纵隔胸膜毗邻(OR=1.796,95%CI:1.106~2.919,P=0.018)是隐匿性纵隔淋巴结转移的独立预测因子。基于预测因子建立的影像学模型,ROC曲线下面积(area under the curve,AUC)为0.75,灵敏度为86.2%,特异度为53.1%。结论:基于胸部CT平扫建立的影像学特征模型,在预测肺腺癌隐匿性纵隔淋巴结转移上具有较好的临床价值,可为临床医生的无创性术前决策及手术治疗方案选择提供依据。展开更多
图池化作为图神经网络中重要的组件,在获取图的多粒度信息的过程中扮演了重要角色。而当前的图池化操作均以平等地位看待数据点,普遍未考虑利用邻域内数据之间的偏序关系,从而造成图结构信息破坏。针对此问题,本文提出一种基于偏序关系...图池化作为图神经网络中重要的组件,在获取图的多粒度信息的过程中扮演了重要角色。而当前的图池化操作均以平等地位看待数据点,普遍未考虑利用邻域内数据之间的偏序关系,从而造成图结构信息破坏。针对此问题,本文提出一种基于偏序关系的多视图多粒度图表示学习框架(multi-view and multi-granularity graph representation learning based on partial order relationships,MVMGr-PO),它通过从节点特征视图、图结构视图以及全局视图对节点进行综合评分,进而基于节点之间的偏序关系进行下采样操作。相比于其他图表示学习方法,MVMGr-PO可以有效地提取多粒度图结构信息,从而可以更全面地表征图的内在结构和属性。此外,MVMGr-PO可以集成多种图神经网络架构,包括GCN(graph convolutional network)、GAT(graph attention network)以及GraphSAGE(graph sample and aggregate)等。通过在6个数据集上进行实验评估,与现有基线模型相比,MVMGr-PO在分类准确率上有明显提升。展开更多
针对社会网络中节点关系预测困难的问题,提出了一种新的链接预测算法:邻居关系权值算法。该算法将共同邻居节点与其他邻居节点之间的边赋予不同的权值,进而计算被预测节点之间的相似性。算法通过5个社会网络数据集进行实验,采用AUC(area...针对社会网络中节点关系预测困难的问题,提出了一种新的链接预测算法:邻居关系权值算法。该算法将共同邻居节点与其他邻居节点之间的边赋予不同的权值,进而计算被预测节点之间的相似性。算法通过5个社会网络数据集进行实验,采用AUC(area under the receiver operating characteristic curve)指标和Precision指标评价其效果。实验表明新算法的预测准确率整体上高于已有的基于节点相似性的链接预测算法,同时该算法保持了较低的时间复杂度。展开更多
文摘阿尔茨海默病(Alzheimer’s Disease,AD)是一种慢性神经系统退行性疾病,其准确分类有助于实现AD的早期诊断,从而及时采取针对性的治疗和干预措施.本文提出了一种最近邻域聚合图神经网络(Graph neural network with nearest Neighborhood AgGrEgation,GraphNAGE)的AD分类新方法.首先进行图数据建模,将AD数据样本表示为图数据.采用基于互信息(Mutual Information,MI)的特征选择方法,从样本的114维大脑皮层与皮层下感兴趣区域(Cerebral Cortex and Subcortical Regions Of Interest,CCS-ROI)的体积特征中选取重要性高的体积特征,并将其用于节点建模.提出基于相似性度量的关系建模方法,利用重要性高的体积特征、遗传基因、人口统计信息和认知评分对样本之间的关系进行建模.进而构建GraphNAGE,针对每个节点,基于与该节点相关的边的权重进行最近邻域采样,然后使用均值聚合方法对采样得到的邻居节点和中心节点的数据进行聚合,最后通过一个全连接层和一个Softmax层实现AD分类.在TADPOLE(The Alzheimer’s Disease Prediction Of Longitudinal Evolution)数据集上进行实验,结果表明:本文提出的AD分类方法的准确率(ACCuracy,ACC)为98.20%,F_(1)分数为97.34%,曲线下面积(Area Under Curve,AUC)为97.80%.实验结果表明:本文提出的AD分类方法充分利用了AD数据样本之间的相关性,其性能优于传统的基于机器学习、深度学习和图神经网络(Graph Neural Network,GNN)的AD分类方法.
文摘目的:基于肺腺癌原发灶的临床及影像学特征构建肺腺癌隐匿性纵隔淋巴结转移的预测模型。方法:回顾性分析南京医科大学第一附属医院2009—2019年行手术治疗和淋巴结清扫、病理结果为有/无隐匿性纵隔淋巴结转移的肺腺癌患者,收集患者的多个临床及影像学特征。采用单因素和多因素Logistic回归分析筛选独立预测因子,并构建多个CT特征的影像模型。建立受试者工作特征(receiver operating characteristic,ROC)曲线评估各模型的预测效能和临床实用价值。结果:在最终纳入的780例肺腺癌伴大小正常的淋巴结患者中,145例发生淋巴结转移。单因素分析结果提示,肿瘤大小、轴向位置、结节性质、形态学特征、胸膜牵拉征、胸膜毗邻类型与淋巴结转移显著相关。多因素分析结果提示,肿瘤大小(OR=1.019,95%CI:1.002~1.036,P=0.028)、结节性质(OR=0.361,95%CI:0.202~0.646,P=0.001)、胸膜牵拉(OR=1.835,95%CI:1.152~2.924,P=0.011)和纵隔胸膜毗邻(OR=1.796,95%CI:1.106~2.919,P=0.018)是隐匿性纵隔淋巴结转移的独立预测因子。基于预测因子建立的影像学模型,ROC曲线下面积(area under the curve,AUC)为0.75,灵敏度为86.2%,特异度为53.1%。结论:基于胸部CT平扫建立的影像学特征模型,在预测肺腺癌隐匿性纵隔淋巴结转移上具有较好的临床价值,可为临床医生的无创性术前决策及手术治疗方案选择提供依据。
文摘图池化作为图神经网络中重要的组件,在获取图的多粒度信息的过程中扮演了重要角色。而当前的图池化操作均以平等地位看待数据点,普遍未考虑利用邻域内数据之间的偏序关系,从而造成图结构信息破坏。针对此问题,本文提出一种基于偏序关系的多视图多粒度图表示学习框架(multi-view and multi-granularity graph representation learning based on partial order relationships,MVMGr-PO),它通过从节点特征视图、图结构视图以及全局视图对节点进行综合评分,进而基于节点之间的偏序关系进行下采样操作。相比于其他图表示学习方法,MVMGr-PO可以有效地提取多粒度图结构信息,从而可以更全面地表征图的内在结构和属性。此外,MVMGr-PO可以集成多种图神经网络架构,包括GCN(graph convolutional network)、GAT(graph attention network)以及GraphSAGE(graph sample and aggregate)等。通过在6个数据集上进行实验评估,与现有基线模型相比,MVMGr-PO在分类准确率上有明显提升。
文摘针对社会网络中节点关系预测困难的问题,提出了一种新的链接预测算法:邻居关系权值算法。该算法将共同邻居节点与其他邻居节点之间的边赋予不同的权值,进而计算被预测节点之间的相似性。算法通过5个社会网络数据集进行实验,采用AUC(area under the receiver operating characteristic curve)指标和Precision指标评价其效果。实验表明新算法的预测准确率整体上高于已有的基于节点相似性的链接预测算法,同时该算法保持了较低的时间复杂度。
