帕金森氏症严重性诊断基于3D多头注意力残留网络的可解释模型
Jiehui Huang1, Lishan Lin2, Fengcheng Yu1
1Artificial Intelligence Medical Research Center, School of Intelligent Systems Engineering, Shenzhen Campus of Sun Yat-sen University, Shenzhen, Guangdong 518107, China.
Computers in biology and medicine
|January 12, 2024
概括
这项研究引入了一种新的深度学习模型,用于使用视频分析评估帕金森病 (PD) 严重程度. 可以解释的MARNet实现了最先进的性能,为PD远程医疗提供了一个非侵入性的工具.
科学领域:
- 神经学 神经学
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 帕金森病 (PD) 严重程度评估对于有效治疗至关重要.
- 目前用于PD严重程度评估的方法存在局限性,包括依赖先前的知识或侵入性手术.
研究的目的:
- 用视频数据开发一种通用和可解释的深度学习模型,用于使用视频数据进行非侵入性帕金森病严重程度评估.
主要方法:
- 提出了一个可解释的3D多头注意力残余卷积网络 (MARNet).
- 利用基于3D注意力的卷积层来提取视频特征.
- 采用LSTM和剩余骨干网络来捕获视频上下文信息.
- 整合了一个功能压缩模块来凝聚学习的功能.
主要成果:
- 在帕金森病严重程度诊断方面,MARNet模型实现了最先进的性能.
- 可解释的实验证明了模型的概括性和解释性.
结论:
- 拟议的MARNet是一个轻量级且有效的深度学习模型,用于基于视频的PD严重程度评估.
- 这个模型可以作为一个潜在的端到端的基线,用于未来的研究和PD远程医疗中的大规模应用.
