一种基于深度学习的集体方法,用于早期诊断阿尔茨海默病,使用MRI图像
Sina Fathi1, Ali Ahmadi2, Afsaneh Dehnad3
1Department of Health Information Management, School of Allied Medical Sciences, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
Neuroinformatics
|December 2, 2023
概括
这项研究引入了一种深度学习组合方法,用于使用MRI扫描进行早期阿尔茨海默病 (AD) 诊断. 该模型实现了高准确度,证明了其在检测AD进展方面的临床应用潜力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 由于阿尔茨海默病的流行率和医疗保健成本不断增加,早期诊断这一疾病至关重要.
- 目前的诊断方法可能具有侵入性或缺乏早期检测的敏感性.
- 深度学习为分析复杂的医疗数据 (如MRI) 提供了潜力,以提高诊断准确度.
研究的目的:
- 开发和评估一个集体深度学习模型,用于使用MRI图像早期诊断阿尔茨海默病.
- 将拟议的集合方法的性能与个别深度学习分类器进行比较.
- 在独立的本地数据集上验证模型的概括性.
主要方法:
- 收集和预处理了一组MRI图像的数据集.
- 开发了基于个人卷积神经网络 (CNN) 的分类器.
- 通过结合六个表现最好的个人CNN分类器,构建了一个整体模型.
- 用阿尔茨海默病神经成像计划 (ADNI) 数据集评估模型性能,并在本地数据集上验证.
主要成果:
- 集合模型实现了高准确率,包括98.57%的正常控制/AD和99.83%的晚期轻度认知障碍/AD分类在ADNI数据集上.
- 在局部数据集上的验证为三向分类 (正常控制/轻度认知障碍/AD) 带来了88.46%的准确性.
- 整体方法在实际验证中显著优于单个模型,尽管不同整体策略的性能相似.
结论:
- 拟议的深度学习组合方法在MRI扫描的早期阿尔茨海默病诊断方面表现出高效.
- 整体模型显示出优越的实用性能,与个人深度学习架构相比,用于AD检测.
- 需要对更大,更多样化的数据集进行进一步的研究,以确认这种诊断方法的概括性和临床实用性.
