Newest papers

Cross-disorder Learning of Imaging-derived Joint Mophometric Markers in Alzheimer's and Parkinson's Diseases

Yuji Zhao, Boris A. Gutman · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.27150 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Là hai bệnh thoái hóa thần kinh phổ biến nhất (NDDs), bệnh Alzheimer (AD) và bệnh Parkinson (PD) chia sẻ những điểm chung cả về triệu chứng và bệnh lý sinh lý. Tuy nhiên, mức độ và cách thức hai rối loạn này trùng lặp lại vẫn chưa được khám phá. Trong nghiên cứu này, chúng tôi đề xuất một khuôn khổ học tập chuyển tiếp rõ ràng, có thể giải thích và thích ứng không gian để làm sáng tỏ các dấu hiệu sinh học hình thái liên quan đến AD và PD. Chúng tôi đã áp dụng mô hình học máy chiều cao như vậy cho hai bộ dữ liệu hình ảnh thần kinh nguồn mở phổ biến nhất, tức là, Sáng kiến hình ảnh thần kinh bệnh Alzheimer (ADNI) và Sáng kiến dấu hiệu tiến bộ Parkinson (PPMI). Một mặt, phân loại rối loạn chéo của chúng tôi tiết lộ các mô hình thay đổi thần kinh học chiều cao phù hợp tốt

Machine translation (Meta M2M100); the English original follows.

Abstract

As two most prevalent neurodegenerative diseases (NDDs), Alzheimer's disease (AD) and Parkinson's disease (PD) shared commonalities both in symptomology and pathophysiology. However, to what extent and in what way these two distinct disorders overlap remain underexplored. In this study, we propose an explicit, interpretable and spatially adaptive transfer learning framework to elucidate the morphometric biomarkers linked to AD and PD. We applied such high-dimensional machine learning model to two most popular open-source neuroimaging datasets, i.e., Alzheimer's Disease Neuroimaging Initiative (ADNI) and Parkinson's Progression Markers Initiative (PPMI). On the one hand, our cross-disorder classifier revealed neuro-anatomical alteration patterns well aligning with previous neuroimaging research findings and underscoring patients' clinical presentations. On the other hand, the spatially adaptive trained classifier using shared prior achieved statistically superior diagnostic performance compared to respective individual models, which further highlights the cross-disorder framework's efficacy on modeling limited-size datasets across disease domains.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Neuroimaging, Disease, Classifier (UML), Artificial intelligence, Medicine, Machine learning

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange