Saúde Desvendada

A predição de doenças utilizando aprendizado de grafos e a integração de dados multimodais representa um desafio significativo. Para superar os impactos negativos entre as diferentes modalidades de dados e otimizar a extração de informações heterogêneas de grafos, pesquisadores desenvolveram uma nova metodologia denominada Aprendizado de Grafos Multi-Kernel Multi-Modal (MMKGL).

O MMKGL aborda o problema do impacto negativo entre modalidades através de um módulo de incorporação de grafos multimodais, que constrói um grafo multimodal. Diferentemente das abordagens tradicionais que constroem grafos estáticos para todas as modalidades, o MMKGL gera um grafo separado para cada modalidade por meio de aprendizado adaptativo. Durante o processo de fusão e incorporação de múltiplos grafos, são introduzidos um grafo de função e um grafo de supervisão para otimização. Esse processo permite uma representação mais precisa e robusta dos dados, minimizando o ruído e maximizando a relevância das informações.

Além disso, um módulo de aprendizado de grafos multi-kernel é utilizado para extrair informações heterogêneas do grafo multimodal. As informações em diferentes níveis do grafo são agregadas por kernels convolucionais com diferentes tamanhos de campos receptivos. Em seguida, um tensor de descoberta cross-kernel é gerado para a predição da doença. A eficácia do MMKGL foi avaliada utilizando o conjunto de dados de referência Autism Brain Imaging Data Exchange (ABIDE), demonstrando um desempenho superior em comparação com os métodos mais avançados. Adicionalmente, o modelo identifica regiões cerebrais discriminatórias associadas ao autismo, fornecendo insights valiosos para o estudo da patologia do autismo e abrindo caminho para a descoberta de biomarcadores relevantes.

Origem: Link