近期，信息與軟件工程學院醫(yī)藥知識工程與智能軟件實驗室劉勇國教授領(lǐng)銜的團隊在國際頂級圖像處理期刊《IEEE Transactions on Image Processing》發(fā)布了關(guān)于阿爾茨海默病輔助診斷的新研究成果——“Shared Manifold Regularized Joint Feature Selection for Joint Classification and Regression in Alzheimer‘s Disease Diagnosis”。該文由學院博士生陳智擔任第一作者，劉勇國教授親任通訊作者。

研究團隊精選了大腦影像數(shù)據(jù)，構(gòu)建出智能輔助診斷模型，旨在為阿爾茨海默病的早期診斷及精準干預提供有力支持。

其中，疾病階段識別和認知功能預測是兩大關(guān)鍵環(huán)節(jié)。他們創(chuàng)新地提出了一種基于共享流形正則的聯(lián)合特征選擇模型，利用疾病階段和認知功能之間的關(guān)聯(lián)性，成功識別出阿爾茨海默病相關(guān)的腦影像特征。

在疾病階段識別的過程中，他們巧妙地運用了線性判別分析和子空間稀疏正則化方法，有效識別出疾病階段相關(guān)的腦影像特征。同時，模型還引入了局部保留的類內(nèi)散度矩陣以及自適應學習樣本間的局部關(guān)系。

在認知功能預測方面，他們根據(jù)認知分數(shù)間的相關(guān)性構(gòu)建了潛在認知分數(shù)空間，以此為目標訓練稀疏回歸模型，成功識別出認知功能相關(guān)的腦影像特征，并設(shè)計了全局一致性和局部一致性正則項來指導潛在認知分數(shù)空間的學習。

此外，考慮到具有相似認知功能的患者往往處于同一疾病階段，因此模型為不同任務學習共享圖結(jié)構(gòu)，充分利用疾病階段和認知功能間的相關(guān)性，從而提高了特征選擇的效率。通過對阿爾茨海默病腦影像的模擬實驗，驗證了所提模型的有效性。

劉勇國教授領(lǐng)導的醫(yī)藥知識工程與智能軟件實驗室，致力于數(shù)字醫(yī)學、計算健康、人工智能、大數(shù)據(jù)等醫(yī)藥健康與信息科學交叉領(lǐng)域的前沿理論研究和關(guān)鍵技術(shù)研發(fā)。

在臨床診療輔助推薦、方劑藥物設(shè)計研發(fā)、藥用資源發(fā)掘整理、預防照護智能監(jiān)控、養(yǎng)生康復精準決策等方面已取得多項科研成果。

承擔了包括國家重點研發(fā)計劃、國家科技重大專項、國家科技基礎(chǔ)資源調(diào)查專項、國家863計劃、國家自然科學基金、四川省科技重大項目在內(nèi)的多項科研課題。

至今已在Nature Communications、IEEE TPAMI、JAMA Network Open、IEEE TIP、MIA、IEEE TFS、IEEE TC、IEEE TKDE、IEEE/ACM TASLP、IEEE ICDE、ACM MM等國際權(quán)威學術(shù)期刊和會議上發(fā)表學術(shù)論文近300篇，獲得授權(quán)發(fā)明專利70余項，計算機軟件著作權(quán)50余項。