バイオマーカー | JoVE Visualize

科学分野:

神経画像
人工知能
医療診断

背景:

軽度認知障害（MCI）は認知症の早期指標であり、早期介入のためには早期検出が必要です。
従来の2Dおよび3D畳み込みニューラルネットワーク（CNN）は、MCI分類における空間相関分析と計算効率の点で限界に直面しています。
MCIコンバーター（MCI-C）と非コンバーター（MCI-NC）の正確な分類は、認知症の進行を予測するために重要です。

研究の目的:

構造的MRI（s-MRI）を用いたMCI-CおよびMCI-NCの分類のための新しいシーケンスベースのフレームワークを開発および検証すること。
MCI診断における既存のディープラーニングモデルの計算的および空間的相関の限界を克服すること。
早期認知症検出を改善するために灰白質の減衰パターンを分析すること。

主な方法:

アルツハイマー病神経画像イニシアチブ（ADNI）から187人の被験者（MCI-C 75人、MCI-NC 112人）のs-MRIデータを使用しました。
局所バイナリパターン（LBP）とそのバリアントを使用して、各被験者から106個のMRIスライスを特徴抽出し、特徴ベクトルを作成しました。
MRIスライス間の時間的および空間的関係をモデル化するために、レイヤーごとの適応型サイン活性化（LASA）ベースの双方向リカレントニューラルネットワーク（BiRNN）を採用しました。

主要な成果:

提案されたモデルは、トレーニング精度を上回る検証精度で強力な一般化性能を示しました。
30回の実験で平均精度97.4%（±0.2標準偏差）を達成しました。
MCIサブタイプの分類におけるモデルの有効性と信頼性が確認されました。

結論:

新しいフレームワークは、早期MCI診断のために高い精度とエッジデバイス互換性を提供します。
このアプローチは、リソースが限られた環境を含む多様なヘルスケア設定で、費用対効果が高くアクセス可能な認知症診断を促進します。
この方法は、早期認知症検出のための従来のディープラーニングモデルに代わる、効率的で実用的な代替手段を提供します。