基于深度学习的眼睛跟踪分析用于诊断阿尔茨海默病,使用3D综合视觉刺激

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:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,影响认知功能.
• 早期诊断AD对于及时干预来减缓疾病进展至关重要.
• 目前的诊断方法依赖于临床经验,临床经验具有固有的局限性.

研究的目的:

• 研究深度学习技术的潜力,以使用眼睛跟踪行为来诊断AD.
• 开发和评估一种新的深度学习模型,用于检测与AD相关的认知异常.

主要方法:

• 从参与者收集了视觉注意力热图,他们使用非侵入性眼睛跟踪系统执行了3D综合视觉任务.
• 提出了多层比较卷积神经网络 (MC-CNN) 来分析阿兹海默症患者和正常对照人之间的视觉注意力差异.
• 利用MC-CNN内部的等级剩余块来编码眼动行为,并将它们集成到距离向量中.

主要成果:

• MC-CNN模型的准确度为0.84,回忆率为0.86,精度为0.82,F1得分为0.83.
• 该模型显示曲线下的高面积 (AUC) 为0.90,表明强大的诊断性能.
• 在阿尔茨海默病患者和正常人之间发现了视觉注意力模式的显著差异.

结论:

• 拟议的MC-CNN模型有效地区分阿尔茨海默病患者和健康个体,基于眼睛跟踪数据.
• 眼睛追踪行为分析,特别是视觉注意力模式,对于早期AD检测具有显著的临床价值.
• 像MC-CNN这样的深度学习方法,为客观和准确的AD诊断提供了一个有希望的途径.