使用自定义的MKSCDDL内核在CNN上的阿尔茨海默病和轻度认知障碍的多模式分类,以透明的决策为可解释的诊断
V Adarsh1, G R Gangadharan1, Ugo Fiore2
1National Institute of Technology Tiruchirappalli, Tiruchirappalli, India.
Scientific reports
|January 20, 2024
概括
这项研究介绍了一种使用人工智能的先进诊断工具,用于准确分类阿尔茨海默病,轻度认知障碍 (MCI) 和认知正常 (CN) 状态. 该框架实现了98.27%的准确性,识别了早期干预的关键大脑区域.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 带来了重大的诊断挑战.
- 准确的分类对于及时干预和疾病管理至关重要.
- 现有的神经成像分析方法往往缺乏解释性和精度.
研究的目的:
- 开发一种创新的诊断框架,用于对阿尔茨海默氏症 (AD),轻度认知障碍 (MCI) 和认知正常 (CN) 状态进行分类.
- 为了辨别MCI频谱中的特定阶段.
- 为临床决策提供一个强大,可解释和透明的工具.
主要方法:
- 卷积神经网络 (CNN) 和多功能内核的协同集成监督在类内类似的歧视性词典学习 (MKSCDDL).
- 利用扫描决策树来处理复杂和可变的神经成像数据.
- 特定神经解剖学区域的照明表明认知障碍.
主要成果:
- 取得了98.27%的特殊分类准确度.
- 证明了该模型能够识别与认知衰退相关的关键大脑区域的能力.
- 通过计算脑部扫描的变化,提供了个性化的评估.
结论:
- 开发的框架为诊断认知障碍提供了一个高度准确和可解释的方法.
- 该模型能够精确地确定受影响的大脑区域,从而支持早期干预和有针对性的护理策略.
- 这种方法提高了神经退行性疾病评估中的诊断精度和临床实用性.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.5K
08:43Application of Granger Causality Analysis of the Directed Functional Connection in Alzheimer's Disease and Mild Cognitive Impairment
Published on: August 7, 2017
7.9K
