Shunqin Jiang¹，Qiyuan Feng¹，Hengxin Li¹，Zhenyun Deng^1,*，Qinghong Jiang^2,∗

（1. School of Computer Science and Engineering，University of Electronic Science and Technology of China，Chengdu，China，

2. School of Electronics and Information Engineering，Guangxi Normal University，Guangxi，China）

阿尔茨海默病（Alzheimer’s disease，AD）是一种神经退行性疾病，可显著影响老年人的生活质量。事实证明，早期干预是防止其恶化的有效方法。常用的方法是基于磁共振成像（Magnetic Resonance Imaging，MRI）预测疾病，以达到早期干预的目的。

近年来，基于MRI的AD诊断技术已广泛应用于现实世界的医学诊断中，但大多数将AD诊断视为二元分类任务，并随后设计各种模型来增强其性能。代表性方法，例如基于图神经网络（Graph Convolution Network，GCN）的方法，通过考虑样本之间的结构和样本特征来预测AD状态。然而，基于GCN的方法只能对AD诊断进行二元预测，缺乏对其预测的相应解释，即此类方法仅依赖于MRI中的大脑区域，可能导致现实世界的诊断错误，例如片面诊断甚至是完全错误的诊断。为了提高AD诊断的可靠性，需要对AD诊断的结果或其他AD相关任务提供解释，例如阿尔茨海默病评估量表认知分量表（Alzheimer’s Disease Assessment Scale Cognitive subscale，ADAS-Cog）和简易精神状态检查（Mini-Mental State Examination，MMSE）。 ADAS-Cog和MMSE是两个常见的临床指标，常用于辅助MRI诊断AD。

在现实世界的医学诊断研究中，由于需要医疗专业人员和患者之间的协作，获取 ADAS-Cog 和 MMSE 既耗时又具有挑战性。它们往往受到患者的教育程度、文化背景、情绪状态等多种因素的影响。常见的方法是首先设计一个回归任务来分析MRI，产生这两个指标，然后将它们与之前基于MRI的二元分类结果结合起来进行AD诊断。然而，这种方法往往忽略了这两个任务之间的相关性，可能导致 AD 诊断整体最优的失败。

为了解决这两个挑战，本文提出了基于注意力的多任务可解释图卷积网络（Attention-based Multi-Task Interpretable Graph Convolutional Network，AMTI-GCN）。具体来说，本文首先结合权重矩阵和L_2,1范数稀疏技术来分配MRI相应大脑区域的权重，以选择与任务相关的大脑区域。然后，使用注意力机制通过寻找任务之间特征信息共享的最佳比例来学习任务之间的共享特征。最后，将这个共享特征输入到特定于任务的多任务预测层，以实现 AD 及其相应的 ADAS 和 MMSE 的二值预测。由于这两个指标是明确且可验证的，因此它们可以用作本文对 AD 预测的解释。

本文的主要贡献总结如下：

1)      提出了AD 的多任务模块和相应的临床指标（ADAS-Cog、MMSE）预测，使AD 预测更加可解释。

2)      设计了一种基于注意力的方法，以更好地利用多个任务之间的相关信息。

3)      对四个 AD 数据集进行了全面的实验，并证明本文提出的方法在准确性方面优于 SOTA。

资料来源：

根据Shunqin Jiang等于2024年发表在Pattern Recognition Letters题目为《Attention based multi-task interpretable graph convolutional network for Alzheimer’s disease analysis》的文章缩写整理而成。

（本文责任编辑：陈劭）