本发明涉及阿尔兹海默病诊断，尤其是涉及一种基于多模态数据的阿尔兹海默病诊断方法与相关性分析。
背景技术：
1、阿尔兹海默病(alzheimer's disease)是一种神经退行性疾病，通常导致老年人的认知能力逐渐减退，影响其日常生活和社交功能。随着人口老龄化的不断加剧，阿尔兹海默病的发病率也在上升，成为全球公共卫生领域的重要挑战。准确的阿尔兹海默病早期诊断对于及时干预和治疗至关重要。阿尔兹海默病神经成像计划(adni)致力于确定阿尔兹海默病的进展，收集了包括mri和pet图像、遗传学、认知测试和生物标志物等数据。研究人员首先使用这些单模态数据进行研究。binette et al.利用磁共振成像(mri)等成像数据，已明确阿尔茨海默病与特定大脑区域的病变密切相关；takeshi et al.分析出阿尔兹海默病患者在特定生物标志物出现了明显的异常。但是阿尔兹海默病是多种因素共同影响，单模态数据不能充分反映其复杂病理生理过程。因此，研究人员开始通过对多模态数据的研究来探索阿尔茨海默病的发病机制，以使用更加全面的数据来帮助诊断阿尔兹海默病。houria et al.通过一种多模态图像(dti和mri)的融合策略来检测ad患者的白质改变和灰质萎缩；robi et al.使用了脑电图、mri和pet对阿尔兹海默症进行了诊断，与单独使用每个单独模态数据时的分类性能相比，使用多模态数据的方法可以提高10％-20％。近年来，随着基因测序方法的发展，研究人员发现与ad相关基因的单核苷酸多态性(snp)可能严重损害某些脑功能。因此研究人员开始将成像数据和遗传数据相结合以更准确的对阿尔兹海默病进行诊断和研究。lu et al.提出了一个基于解剖mri测量和snp的阿尔兹海默症诊断模型；wang et al.开发了一种深度学习方法ignet，用于使用mri和snp进行ad自动分类；amini et al.证明了snp与定量pet成像性状之前存在因果关系。
2、对于成像数据，其中的磁共振成像(mri)是诊断阿尔茨海默病的常用成像技术。磁共振图像是由二维成像组成的伪三维图像。folego et al.通过针对smri的22层的3d cnn对阿尔兹海默病进行了多类诊断。由于训练数据和潜在数据的可用性有限，深度学习技术在医学成像中的实施面临挑战。ahsan bin et al.使用数据增强和3d cnn来研究ad的二分类和多分类。但在医学成像领域，数据增强可能会导致数据失真，影响诊断和治疗的准确性。此外使用深度学习对三维mri进行分析需要大量的计算资源和数据。
3、遗传数据中的snps是人类基因组中常见的遗传变异形式，指的是基因组中单个核苷酸的变异，即dna序列中的一个碱基与大多数人群中的常见碱基不同。这种遗传变异在人类遗传研究中具有重要意义，因为它在个体之间表现出高度的变异性，并与许多疾病的风险和表型特征有关。就阿尔茨海默病而言，遗传因素在其发病过程中起着至关重要的作用，而灰质萎缩是早期阿尔兹海默病的重要生物标志物。因此，我们进一步的探索了snps和灰质体积的关联性，以寻找与疾病相关的基因变异和遗传标记，为疾病的早期诊断和个体化治疗提供依据。
技术实现思路
1、本发明的目的是提供一种基于多模态数据的阿尔兹海默病诊断方法与相关性分析，二维mri切片、形态学特征和单核苷酸多态性相结合，建立成像数据和遗传数据的联系，提高了诊断阿尔兹海默并的敏感性和准确性。
2、为实现上述目的，本发明提供了一种基于多模态数据的阿尔兹海默病诊断方法与相关性分析，包括步骤：
3、s1、选取两种模态的阿尔兹海默症数据集，两种模态分别为磁共振成像mpi数据和单核苷酸多态性snp数据，数据集包括阿尔兹海默病患者ad，早期认知障碍患者mci以及健康受试者nc；
4、s2、对mpi数据预处理；
5、s3、对snp数据预处理；
6、s4、构建处理mpi数据和snp数据的模型。
7、优选的，所述步骤s2对mpi数据预处理步骤包括：
8、s21、使用adni按照特定的图像校正步骤对mpi数据预处理；
9、s22、将所述步骤s21中预处理后的mpi数据分为两个流程预处理；
10、s221、使用spm对mri进行预处理，包括ac-pc校正、配准、颅骨剥离和roi计算；
11、s222、将三维mri沿着矢状面、冠状面和轴状面进行切片，保留中心位置的3张图像，获得二维结构磁共振成像和形态学特征。
12、优选的，所述步骤s21中特定的图像校正步骤：gradwarp，b1non-uniformity和n3。
13、优选的，所述snp数据包括snps，所述步骤s3对snp数据预处理具体包括：
14、s31、对snps数据进行质量控制；
15、s32、填补snps数据缺失值；
16、s33、对snps数据基因注释；
17、s34、选择snps数据特征。
18、优选的，所述步骤s4具体包括：
19、s41、处理mpi数据，将mri数据分为两个通道，第一个通道将经过预处理的结构磁共振成像smri数据的形态特征输入具有两个隐藏层的多层感知器mlp中；第二个通道涉及将smri切片输入卷积神经网络cnn进行特征提取；
20、s42、处理snp数据，预处理的snp数据被输入具有三个隐藏层的mlp进行处理；
21、s43、所述步骤s41中输出的smri数据和所述步骤s42中输出的snp数据被输入多层注意力特征融合层，通过多层注意力机制捕获不同模态的局部信息和全局信息，并将它们融合；
22、s44、使用softmax函数进行诊断，输出类标签。
23、优选的，所述步骤s44中类标签包括阿尔兹海默病患者ad，早期认知障碍患者mci以及健康受试者nc。
24、一种基于多模态数据阿尔兹海默病诊断方法的相关性分析
25、包括对阿尔兹海默病患者差异脑区的灰质体积和snp进行双变量相关性分析，当两种相关性分析都显著时，筛选出特定snps。
26、优选的，所述阿尔兹海默病患者差异脑区的灰质体积通过组间差异分析获得，所述组间差异分析通过统计参数映射使用基于体素的形态学测量对ad组和nc组的smri进行比较分析，量化脑部的灰质、白质和脑脊液的分布。
27、优选的，所述两种相关性分析方法包括皮尔逊相关系数分析和斯皮尔曼相关系数分析。
28、因此，本发明采用上述一种基于多模态数据的阿尔兹海默病诊断方法与相关性分析，具有以下有益效果：
29、(1)本发明综合了二维成像数据、遗传数据和形态学特征，并将其应用于深度学习模型中，显著提高了模型的训练速度和准确性；具有多层次的数据整合和机器学习模型应用的关键特点，为阿尔茨海默症的早期诊断提供了新的前景；
30、(2)利用三维结构磁共振成像获得二维结构磁共振成像和形态学特征，并结合了遗传数据，包括基因变异信息，有效识别遗传因素与脑成像特征之间的关联，以更好地了解遗传风险与大脑结构功能的相互作用；
31、(3)通过相关性分析找出与差异性脑区灰质体积相关的snps，能够精确地识别与阿尔兹海默病相关的致病基因，更好地了解基因变异如何影响大脑结构和功能，提供了深入探讨遗传和脑影像之间相互关系的机会，为阿尔兹海默病的研究和诊断提供了新思路。
32、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
1.一种基于多模态数据的阿尔兹海默病诊断方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于多模态数据的阿尔兹海默病诊断方法，其特征在于，所述步骤s2对mpi数据预处理步骤包括：
3.根据权利要求2所述的基于多模态数据的阿尔兹海默病诊断方法，其特征在于，所述步骤s21中特定的图像校正步骤：gradwarp，b1 non-uniformity和n3。
4.根据权利要求1所述的基于多模态数据的阿尔兹海默病诊断方法，其特征在于，所述snp数据包括snps，所述步骤s3对snp数据预处理具体包括：
5.根据权利要求1所述的基于多模态数据的阿尔兹海默病诊断方法与相关性分析，其特征在于，所述步骤s4具体包括：
6.根据权利要求5所述的基于多模态数据的阿尔兹海默病诊断方法，其特征在于：所述步骤s44中类标签包括阿尔兹海默病患者ad，早期认知障碍患者mci以及健康受试者nc。
7.一种如权利要求1-6所述的基于多模态数据阿尔兹海默病诊断方法的相关性分析，其特征在于：对阿尔兹海默病患者差异脑区的灰质体积和snp进行双变量相关性分析，当两种相关性分析都显著时，筛选出特定snps。
8.根据权利要求7所述的基于多模态数据阿尔兹海默病诊断方法的相关性分析，其特征在于：所述阿尔兹海默病患者差异脑区的灰质体积通过组间差异分析获得，所述组间差异分析通过统计参数映射使用基于体素的形态学测量对ad组和nc组的smri进行比较分析，量化脑部的灰质、白质和脑脊液的分布。
9.根据权利要求7所述的基于多模态数据阿尔兹海默病诊断方法的相关性分析，其特征在于：所述两种相关性分析方法包括皮尔逊相关系数分析和斯皮尔曼相关系数分析。
