基于形态和缩的阿尔茨海默病的确定,使用机器学习与自动化细分结合使用
Natsuki Ikemitsu1, Yuki Kanazawa2, Akihiro Haga2
1Graduate school of Health Science, Tokushima University, Tokushima, Japan.
Acta radiologica (Stockholm, Sweden : 1987)
|January 10, 2024
概括
机器学习通过分析大脑缩来有效地检测早期阿尔茨海默病 (AD). 缩的特征,而不是详细的形态,是准确的AD诊断的关键.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 医学诊断 医学诊断 医学诊断
背景情况:
- 使用MRI的基于voxel的形态测量用于评估阿尔茨海默病 (AD) 中的大脑缩.
- 当前的机器学习技术往往忽略了大脑缩区域的详细形态变化.
研究的目的:
- 开发一种机器学习系统,以识别AD早期的脑组织缩.
- 使用形态和缩特征将个体分类为健康或患有早期AD.
主要方法:
- 利用来自200名健康对照组和200名早期AD患者的3DT1加权MRI数据.
- 训练有素的深度学习 (DL) 和支持向量机 (SVM) 模型使用细分的大脑体积数据.
- 使用不同的输入特征比较DL和SVM性能,包括灰质 (GM) 和白质 (WM) 量,以及通过3D卷积神经网络 (3D-CNN) 进行全脑细分图像.
主要成果:
- 在使用所有体积值时,支持向量机 (SVM) 模型实现了高精度 (0.82) 和AUC (0.81).
- 深度学习 (DL) 模型也表现出强的表现,精度高达0.82和AUC为0.8.
- 基于图像的3D-CNN实现了0.69的最大精度,这表明方法之间的有效性各不相同.
结论:
- 对于早期发现阿尔茨海默氏症,缩性特征比详细的形态特征更为重要.
- 机器学习模型,特别是SVM,在基于体积数据的基础上显示出诊断早期阿尔茨海默病的巨大潜力.
