近期，深圳大学医学部生物医学工程学院汪天富教授团队的研究成果《Auto-weighted Centralised Multi-Task Learning via Integrating Functional and Structural Connectivity for Subjective Cognitive Decline Diagnosis》在顶级期刊Medical Image Analysis（2021年IF：8.544）上发表。论文第一作者是雷柏英副教授，第二作者是硕士研究生成妮娜（导师：雷柏英），张治国教授为共同通讯作者，深圳大学为第一署名单位，广西大学第一附属医院与广西壮族自治区人民医院为合作单位。

主观认知衰退（subjective cognitive decline，SCD）是指患者记忆能力发生衰退，但其他传统神经心理学测试无异常的症状。作为阿尔茨海默病（Alzheimer‘s disease，AD）最早症状，其发生在轻度认知障碍（Mild cognitive impairment，MCI）之前，与MCI一起作为AD的早期症状。SCD患者有很大的概率发展为MCI和AD，因此，将识别SCD作为延缓疾病进展的早期干预。在这项工作中，我们的目标是提出一个SCD的自动诊断框架。

该研究提出一种特征学习算法，命名为自动权重中心化多任务学习。首先对两种模态（fMRI， DTI）的数据进行预处理，使用fMRI构建功能脑网络和使用DTI构建结构脑网络。接着，对于所构建的功能脑网络和结构脑网络进行多任务特征学习，在此模型中，不同模态的任务的特征权重将会被自动学习。经过选择的特征将会被输入到支持向量机分类器中进行分类。利用此方法融合功能脑网络和结构脑网络，并且提取出与疾病诊断最相关的信息。我们提出的方法取得了优秀的结果，在NC vs SCD分类任务中准确率达到84.80%，在SCD vs MCI分类任务中准确率达到89.12%，在与最新其他方法的对比中取得最好的结果。

该研究获得了国家自然科学基金、广东省自然科学基金、深圳市重点基础研究发展计划等项目资助。

提出自动权重中心化多任务学习