Die präzise Diagnose der Alzheimer-Krankheit (AD) und ihres Frühstadiums, wie beispielsweise der leichten kognitiven Beeinträchtigung (MCI), ist essenziell für eine rechtzeitige Behandlung oder mögliche Interventionen zur Verlangsamung der AD-Progression. Neuere Studien haben gezeigt, dass verschiedene Neuroimaging- und biologische Maße komplementäre Informationen für Diagnose und Prognose enthalten. Daher haben sich Informationsfusionsstrategien mit multimodalen Neuroimaging-Daten, wie etwa voxelbasierten Maßen aus der strukturellen MRT (VBM-MRT) und der Fluordesoxyglucose-Positronen-Emissions-Tomographie (FDG-PET), als wirksam für die AD-Diagnose erwiesen. Die meisten bestehenden Methoden zielen jedoch lediglich darauf ab, die multimodalen Daten zusammenzuführen, ohne die modalitätsübergreifenden Strukturinformationen vollständig zu nutzen. In dieser Arbeit schlagen wir eine neuartige Methode zur Merkmalsselektion für multimodale Neuroimaging-Daten mit konsistenter metrischer Beschränkung (MFCC) für die AD-Analyse vor. Zunächst wird die Ähnlichkeit für jede Modalität (d. h. VBM-MRT oder FDG-PET) individuell mittels einer Random-Forest-Strategie berechnet, wodurch paarweise Ähnlichkeitsmaße für mehrere Modalitäten extrahiert werden können. Anschließend werden ein Group-Sparsity-Regularisierungsterm und ein Stichprobenähnlichkeits-Regularisierungsterm verwendet, um die Zielfunktion einzuschränken und eine Merkmalsselektion über mehrere Modalitäten hinweg durchzuführen. Schließlich wird eine Multi-Kernel-Support-Vector-Machine (MK-SVM) eingesetzt, um die aus den verschiedenen Modellen selektierten Merkmale für die finale Klassifikation zu fusionieren. Die experimentellen Ergebnisse anhand der Datensätze der Alzheimer’s Disease Neuroimaging Initiative (ADNI) zeigen, dass die vorgeschlagene Methode eine bessere Klassifikationsleistung als modernste multimodalitätsbasierte State-of-the-Art-Verfahren erzielt. Konkret erreichten wir auf den ADNI-Datensätzen eine höhere Genauigkeit sowie eine größere Fläche unter der Kurve (AUC) für AD gegenüber gesunden Kontrollpersonen (NC), MCI gegenüber NC sowie MCI-Konverter (MCI-C) gegenüber MCI-Nicht-Konvertern (MCI-NC). Folglich übertrifft das vorgeschlagene Modell traditionelle Methoden nicht nur hinsichtlich der AD/MCI-Klassifikation, sondern identifiziert auch mit der Krankheit assoziierte Merkmale, was sein Potenzial zur Verbesserung des mechanistischen Verständnisses der Erkrankung unterstreicht.

El diagnóstico preciso de la enfermedad de Alzheimer (EA) y de su etapa temprana, p. ej., el deterioro cognitivo leve (DCL), es fundamental para un tratamiento oportuno o una posible intervención orientada a ralentizar la progresión de la EA. Estudios recientes han demostrado que múltiples medidas biológicas y de neuroimagen contienen información complementaria para el diagnóstico y el pronóstico. Por lo tanto, las estrategias de fusión de información con datos de neuroimagen multimodal, tales como las medidas basadas en vóxeles extraídas de resonancia magnética estructural (VBM-MRI) y de tomografía por emisión de positrones con fluorodesoxiglucosa (FDG-PET), han demostrado su eficacia para el diagnóstico de la EA. Sin embargo, la mayoría de los métodos existentes se han propuesto para simplemente integrar los datos multimodales, sin aprovechar plenamente la información estructural entre las diferentes modalidades. En este artículo, proponemos un método novedoso de selección de características de neuroimagen multimodal con restricción métrica consistente (MFCC) para el análisis de la EA. En primer lugar, se calcula la similitud para cada modalidad (es decir, VBM-MRI o FDG-PET) de forma individual mediante una estrategia de bosques aleatorios, la cual permite extraer medidas de similitud por pares para múltiples modalidades. A continuación, se emplean el término de regularización de dispersión grupal y el término de regularización de restricción de similitud muestral para restringir la función objetivo y llevar a cabo la selección de características a partir de múltiples modalidades. Finalmente, se utiliza una máquina de vectores de soporte multinúcleo (MK-SVM) para fusionar las características seleccionadas de los diferentes modelos para la clasificación final. Los resultados experimentales en la Alzheimer's Disease Neuroimaging Initiative (ADNI) demuestran que el método propuesto presenta un mejor rendimiento de clasificación que los métodos multimodales del estado del arte. Específicamente, logramos una mayor precisión y área bajo la curva (AUC) para EA frente a controles normales (NC), DCL frente a NC, y DCL conversores (MCI-C) frente a DCL no conversores (MCI-NC) en los conjuntos de datos de ADNI. Por consiguiente, el modelo propuesto no solo supera al método tradicional en términos de clasificación de EA/DCL, sino que también identifica las características asociadas a la patología, demostrando su potencial para mejorar la comprensión de los mecanismos subyacentes a la enfermedad.