Die gemeinsame Analyse von makro- und mikrobiologischen Informationen ermöglicht ein ganzheitliches Verständnis der pathologischen Prozesse, die der Alzheimer-Krankheit (AD) zugrunde liegen. Obwohl jüngste Studien Fortschritte gemacht haben, haben die meisten aktuellen Ansätze Schwierigkeiten, die kritischen Merkmale, die in bildgenetischen Daten eingebettet sind, zu nutzen und versagen darin, biologische Interaktionen effektiv offenzulegen. Um diese Mängel zu beheben, schlägt dieses Papier einen Multi-Level-Lern- und Interaktive-Fusion-Framework auf der Basis großer Fundamentmodelle (LFMs) vor und entwickelt entsprechend einen Algorithmus mit dem Namen MLLIFA zur Diagnose von AD und zur Extraktion der Ätiologie. Genauer gesagt verwendet MLLIFA zunächst zwei LFMs, um hochwertige Darstellungen von Gehirnregionen und Genmerkmalen zu konstruieren. Dann werden zwei spärliche Aufmerksamkeitsmechanismen angewendet, um wichtige Informationen aus den konstruierten Merkmalen zu extrahieren. Schließlich wird Interaktionslernen genutzt, um die latenten Beziehungen zwischen Merkmalen in biologischen Kontexten zu erkunden, was die effektive Fusion von Multi-Omics-Informationen leitet. Experimentelle Ergebnisse zum ADNI-Datensatz zeigen, dass MLLIFA eine AD-Klassifikationsgenauigkeit von 91,22 % erreicht und damit die modernsten Methoden übertrifft. Darüber hinaus identifiziert der vorgeschlagene MLLIFA erfolgreich krankheitsbezogene Gehirnregionen, Risikogene und Gehirn-Gen-Assoziationen. Diese Ergebnisse bieten nicht nur starke Unterstützung für die präzise Diagnose von AD, sondern geben auch neue Einblicke in die Ätiologie-Extraktion. Basierend auf makroskopischen Bilddaten und mikroskopischen genetischen Daten kombinieren wir LFMs und mehrere Aufmerksamkeitsmechanismen, um ein Framework mit dem Namen MLLIFA zu erstellen. Dieses kann nicht nur eine effektive Diagnose von AD erreichen, sondern auch verwandte ätiologische Faktoren identifizieren. • Große Fundamentmodelle werden zur Generierung hochwertiger Merkmale verwendet. • Spärliche Aufmerksamkeitsmechanismen werden zur Auswahl wichtiger Merkmale eingesetzt. • Ein interaktiver Aufmerksamkeitsmechanismus wird zur Erreichung der Merkmalsfusion verwendet. • Experimentelle Ergebnisse zeigen die Überlegenheit unserer Methode bei der AD-Diagnose.
Fang et al. (Mi,) untersuchten diese Frage.