早期诊断和转变预测阿尔茨海默病使用多尺度自我注意网络在结构性MRI图像上与闭塞敏感性分析
Xinxin Fan1,2, Haining Li3, Lin Liu2
1Institute of Biomedical and Health Engineering, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China.
Journal of Alzheimer's disease : JAD
|December 31, 2023
概括
一个新的多尺度自我注意网络 (MUSAN) 准确地对阿尔茨海默病 (AD) 进行分类,并使用结构性MRI预测MCI的进展. 这种可解释的深度学习模型识别了用于诊断和转化预测的关键大脑区域.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 结构磁共振成像 (sMRI) 对早期阿尔茨海默病 (AD) 诊断至关重要.
- 鉴定特定的AD生物标志物和预测疾病进展仍然是一个重大挑战.
- 区分稳定的轻度认知障碍 (sMCI) 和渐进的轻度认知障碍 (pMCI) 对于及时干预至关重要.
研究的目的:
- 开发一种可解释的深度学习算法,用于精确的AD分类和MCI转换预测.
- 为了提高诊断准确性,利用大脑的多层次结构性缩特性.
- 识别和可视化大脑区域对于AD诊断和MCI进展至关重要.
主要方法:
- 一个多尺度的自我注意网络 (MUSAN) 已被开发来处理整个大脑的sMRI数据.
- MUSAN自动提取大脑区域特征,并在不同尺度上建模相关性.
- 用一种闭塞敏感算法来解释和可视化对疾病敏感的大脑区域.
主要成果:
- 在将AD患者的认知正常 (CN) 个体分类时,MUSAN模型实现了高精度 (0.93) 和AUC (0.95).
- 该模型在区分sMCI和pMCI方面表现出了显著的表现,精度为 (0.85) 和AUC (0.86).
- 发现的关键大脑区域包括海马,杏仁体和虫,用于CN与CN的对比. AD,以及sMCI与pMCI的环,皮和下额头.
结论:
- 穆桑方法提供了一种有效的方法来诊断AD和MCI转换预测.
- 集成的闭塞灵敏度算法提高了AD研究中的深度学习模型的可解释性和可靠性.
- 这些发现支持使用先进的人工智能技术来改善阿尔茨海默病的诊断和预后.
