本文介绍了宾夕法尼亚大学生物医学图像计算与分析中心的Zhijian Yang和Ilya M. Nasrallah等共同发表在Nature Communications的研究成果：本文提出了Smile-GAN模型（半监督聚类生成对抗网络），这是一种半监督深度聚类方法，它能够通过神经成像特征识别阿尔茨海默疾病亚型。通过在数据集上的训练，Smile-GAN确定了四种神经变性模式，将该框架应用于纵向数据，又确定了疾病的两种发展进程，它可以预测神经变性的途径和速率，这为精准诊断和定向临床试验提供了方向。

论文链接：

https://www.nature.com/articles/s41467-021-26703-z

Smile-GAN是一种生成式对抗网络架构，下图是Smile-GAN的总体结构。

图1  Smile-GAN的总体结构

其中CN组表示正常对照组，PT组表示病人组，SUB组表示模式子类型。Smile-GAN的总体思路：该模型旨在学习从CN组到PT组的多个映射。图1.b是Smile-GAN的原理图，从该图中可以看出，该模型的思想是通过学习从X*Z到Y的映射函数ｆ和从Y到Z的聚类函数ｇ来实现的。图1.c中展示了图1.b中三个函数的架构：蓝色箭头表示一个线性变换后面跟着一个Leaky ReLU激活函数，绿色箭头表示一个线性变换后面跟着一个softmax函数，红色箭头表示只有一个线性变换。总而言之，该模型的总体架构是学习从CN组(或者称为域X: CN数据集)到患者组(或者称为域Y: PT数据集)的一对多映射。

图2  Smile-GAN的概念概述

Smile-GAN模型的概念概述图给出了疾病相关变异区域和非疾病相关变异区域的清楚表示。蓝线表示在正常对照组(CN)和患者组中观察到的非疾病相关的变异。红色区域代表只存在于患者群体中的疾病效应。Smile-GAN通过从正常对照组数据到患者数据的聚类转换找到神经模式类型。

内容中包含的图片若涉及版权问题，请及时与我们联系删除