一种用于早期诊断轻度认知障碍和阿尔茨海默病的多模式分类方法,使用具有不同任务难度的三个范式

科学领域:

• 神经科学是一个神经科学.
• 医学诊断 医学诊断 医学诊断
• 人工智能的人工智能

背景情况:

• 阿尔茨海默病 (AD) 是痴呆的主要原因,轻度认知障碍 (MCI) 代表其早期阶段.
• 准确的早期诊断AD和MCI对于有效的治疗和疾病管理至关重要.
• 目前的诊断方法通常是昂贵的,需要专门的医疗专业知识.

研究的目的:

• 开发和验证用于早期诊断AD和MCI的多模式分类方法.
• 为了提高诊断准确性,利用脑电图 (EEG),眼睛跟踪和行为数据.
• 探索数据增强和先进的神经网络技术,以提高诊断性能.

主要方法:

• 利用了包括EEG,眼睛跟踪和行为指标在内的多模式数据.
• 采用了针对AD和MCI检测而定制的不同的任务范式 (眼球运动,静止状态EEG,延迟匹配样本).
• 实施了数据增强策略,ERPNet特征提取层和域对抗神经网络.

主要成果:

• 实现了MCI诊断的平均准确率为88.81%.
• 对于阿尔茨海默病的诊断证明了100%的准确性.
• 确定了最佳的EEG通道,并比较了用于痴呆症检测的不同特征的有效性.

结论:

• 拟议的多模式分类方法为早期痴呆症诊断提供了一种可行且具有成本效益的方法.
• 整合EEG,眼睛跟踪和行为数据显著提高了诊断能力.
• 该研究强调了先进机器学习技术在提高痴呆症检测准确度方面的潜力.