为疾病建模重新利用人工智能工具:神经退行性疾病中面部识别缺陷的案例研究
Gargi Singh1, Murali Ramanathan1
1Department of Pharmaceutical Sciences, University at Buffalo, The State University of New York, Buffalo, New York, USA.
Clinical pharmacology and therapeutics
|July 2, 2023
概括
模拟大脑功能障碍的人工智能 (AI) 模型对理解阿尔茨海默氏症等疾病中的面部识别缺陷有希望. 扰乱人工智能网络为模型认知衰退和疾病进展提供了一种新的方法.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 认知科学 认知科学
背景情况:
- 面部识别障碍是神经系统疾病的特征,如阿尔茨海默病,自闭症和prosopagnosia.
- 了解这些缺陷背后的神经机制对于开发有效干预措施至关重要.
研究的目的:
- 调查降低人工智能 (AI) 面部识别算法是否可以有效地模拟与疾病相关的缺陷.
- 为了比较不同的人工智能模型在模拟认知障碍方面的强度.
主要方法:
- 两个人工智能面部识别模型,卷积分类神经网络 (C-CNN) 和族网络 (SN),经过训练,然后通过减少重量和节点数量来扰乱.
- 评估了模型的准确性,并与阿尔茨海默病神经影像计划 (ADNI) 的临床数据进行了比较.
主要成果:
- 两种模型都显示了干扰的精度下降,模仿了与疾病相关的缺陷.
- 语网络 (SN) 显示出比C-CNN更强大的稳定性,其表现与ADNI临床结果更接近.
- 人工智能网络干扰与认知和功能测量相关,这表明网络完整性和认知性能之间存在联系.
结论:
- 扰乱人工智能网络是一种可行的方法,用于建模大脑功能障碍和损伤对面部识别等复杂认知功能的影响.
- 语网络的弹性和与临床数据的一致性突出显示了其模拟神经退行性疾病进展的潜力.
