一个基于硬件加速的联合学习模型,用于早期检测阿尔茨海默病

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用
• 神经科学是一个神经科学.

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,对患者和家庭有重大影响.
• 早期发现AD对于改变疾病进展和改善患者预后至关重要.
• 血液生物样本为疾病诊断提供了一种具有成本效益和可访问性的方法.

研究的目的:

• 开发一种保护隐私的诊断模型,用于使用血液生物样本早期检测阿尔茨海默病.
• 通过硬件加速提高阿尔茨海默病诊断的效率.
• 评估基于联合学习 (FL) 的诊断模型与最先进的方法的性能.

主要方法:

• 利用来自ADNI网站的血液生物样本数据集进行模型培训和评估.
• 实施了联合学习 (FL) 方法,在不共享原始数据的情况下训练共享的诊断模型,确保患者的隐私.
• 使用VHDL和Altera 10 GX FPGA开发了一种硬件加速技术,以加快FL模型的训练和测试.

主要成果:

• 拟议的FL和硬件加速模型实现了89%的准确性和87%的敏感性,用于早期发现阿尔茨海默病.
• 与现有的最先进的算法相比,开发的模型证明了培训时间的缩短.
• 该系统的功耗低 (35-39 mW),推理延迟低 (61 ms),适用于资源有限的设备.

结论:

• 联合学习和硬件加速模型为使用血液生物样本进行早期阿尔茨海默病诊断提供了准确,高效和保护隐私的方法.
• 低功耗和推断延迟使得拟议的方法可用于边缘设备的部署.
• 这项研究在利用人工智能和硬件加速用于神经退行性疾病诊断方面取得了重大进展.