基于静止电脑图数据的深度学习模型用于检测各种痴呆和MCI病理:一项回顾性多中心研究

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 痴呆症和轻度认知障碍 (MCI) 对老年人群构成重大挑战.
• 目前针对这些疾病的诊断方法缺乏非侵入性,精度和可访问性.
• 人工智能模型的通用性,特别是使用脑电图 (EEG) 的深卷积神经网络 (DCNNs),用于诊断痴呆和MCI,在各种临床环境中仍然在很大程度上未经验证.

研究的目的:

• 评估经过EEG数据训练的DCNN在诊断痴呆和MCI时的可通用性和临床适用性.
• 在多个机构中评估DCNN在对健康个体与患有阿尔茨海默病 (AD),患有勒维体痴呆症 (DLB) 和异常性正常压力水头 (iNPH) 的个体进行分类方面的表现.
• 研究DCNN在区分特定痴呆症亚型和识别MCI病理方面的能力.

主要方法:

• 一个DCNN使用来自单一医院 (第1医院) 的EEG数据进行训练.
• 然后,经过训练的DCNN在两个额外的医院 (第二医院和第三医院) 的独立EEG数据集上进行了测试.
• 使用平衡精度 (bACC) 评估表现,用于分类健康个体,区分痴呆症亚型 (AD,DLB,iNPH),并识别MCI.

主要成果:

• 在1.号医院,DCNN实现了高bACC (0.927) 的健康与痴呆症分类.
• 该模型在各个机构中表现出稳健性,维持了0.805 (医院#2) 和0.920 (医院#3) 的bACC.
• 该DCNN区分了AD,DLB和iNPH的bACC从0.508到0.619在各医院,并确定了MCI的bACC为0.715,尽管他们接受了痴呆病例的培训.

结论:

• 在EEG数据上训练的DCNN显示出在不同临床环境中诊断痴呆症和MCI的显著适应性和可扩展性.
• 这些发现代表了人工智能为神经退行性疾病提供非侵入性诊断工具的临床应用的重大进展.
• 这项研究表明,MCI和痴呆症之间可能存在共享的EEG信号,从而提供了对它们共同的病理生理机制的见解.