近日，我司青年教师刘彦北等人在医学图像分析领域顶级期刊Medical Image Analysis（影响因子11.148）发表了题为“Incomplete multi-modal representation learning for Alzheimer’s disease diagnosis”的论文，提出了基于自编码器的多模态缺失数据补全框架，用于阿尔兹海默症的精确诊断。

阿尔兹海默症（Alzheimer’s disease, AD）是一种典型的涉及多种致病因素的神经系统退行性疾病，其早期诊断和治疗一直是关注的重点。在多模态 AD 诊断研究中，研究人员往往面临数据缺失的情况。最直接的方法是删除不完备的数据，构建完备的子多模态数据集，但是 AD 数据十分稀缺且复杂，这要求研究人员要尽可能地利用所有可得到的数据对 AD 进行分析和诊断。而现有的大多数多模态学习方法都基于数据完备的假设，不能够有效地处理有缺失的多模态数据。该研究提出了面向有缺失多模态表示学习的 AD 诊断方法(AEMVC)，框架图如下：

Illustration of the proposed framework. It mainly consists of four parts. First of all, features of the original data are extracted to obtain the feature vectors. Then, we obtain the latent representations H of the complete view X⁽¹⁾ by using an auto-encoder network. Meanwhile, the graph regularization is utilized to maintain the structural information. The latent representations H are used to complement the missing part of view X⁽²⁾ in the kernel space. Farther, Hilbert-Schmidt Independence Criterion constraint explores the correlation between different views. Finally, Kernel CCA is adopted to obtain the common representations X, which can be used for the next task.

该模型采用核空间进行补全缺失的多模态数据信息，同时约束受试者间的结构信息和多模态间的关联信息。在国际公开的权威阿尔兹海默症ADNI数据集上进行了性能验证。其中，在不同的缺失率下和不同的分类任务中，与同类算法相比取得了最好的诊断结果；尤其在阿尔兹海默症患者和正常受试者的分类任务中，在一种模态数据缺失率为50%的情况下，所提方法达到了84.85%的诊断准确率。实验结果表明，该方法能够提高阿尔兹海默症的诊断精度，有助于医生在临床上做出更加准确的诊断，降低误诊率。

本研究成果由我司刘彦北老师等人联合天津大学张长青、阿联酋起源人工智能研究院周涛、上海科技大学沈定刚等本领域专家和研究生共同完成。

Yanbei Liu, Lianxi Fan, Changqing Zhang, Tao Zhou, Zhitao Xiao, Lei Geng, Dinggang Shen. Incomplete multi-modal representation learning for Alzheimer’s disease diagnosis. Medical Image Analysis, 2021.