董浩然，王顺芳

(云南大学 信息学院，云南 昆明 650504)

0 引 言

因病理不明的原因，当前对阿尔茨海默症(Alzheimer disease，AD)的治疗方法只能起到延缓作用[1]。AD的前驱阶段被称为轻度认知障碍(mild cognitive impairment，MCI)，对MCI患者向AD阶段进展的预测对于AD患者的早期干预与治疗有着重要意义[2]。

传统的MCI与AD预测方法多是采用病人的单类检查结果进行预测[3，4]。但基于最近的研究，使用单类数据进行预测可能会在诊断的过程中添加混淆信息，影响模型的预测精度与泛用性[5]。近年来，同时利用病人的多项检查结果提高模型预测性能已经成了AD与MCI疾病预测的研究热点[6-11]。

基于此，本文将双图卷积网络(dual-graph convolution network，Dual-GCN)[12]与本文提出的修正视图相关发现网络(modified view correlation discovery network，MVCDN)相结合，提出一种基于Dual-GCN的多维数据联合预测网络(multi-view joint prediction based on dual-GCN，MVIDG)，以进行MCI疾病进展的预测。

本文的主要贡献如下：

(1)提出基于超参数k1与k2构建病人特征网络图ConvP与ConvA的方法，利用Dual-GCN同时对图的局部一致性与全局一致性进行信息嵌入。

(2)针对多维数据融合时冗余信息与噪声信号对预测结果的影响做出改进，提出MVCDN网络，提高多维数据融合效果。

(3)提出多维数据融合网络模型MVIDG，可融合病人多项检查结果预测病人在未来一年内由MCI阶段向AD阶段进展的概率。其模型架构如图1所示。

图1 多维数据融合网络MVIDG

1 数据处理

1.1 数据集

本文使用的数据来自ADNI数据库。ADNI的主要目标是测试序列MRI、AD生物标志物、临床与神经心理学评估等是否可以结合起来预测MCI和早期AD的进展。

从中，我们选取同时含有以下检查结果的患者：①基于标准脑图谱分割的脑部各区体积测量(volumetric mea-surements)。……