为痴呆症的不同阶段整合人口统计和成像特征分类:向前传送神经网络多类方法
Eva Y W Cheung1, Ricky W K Wu2, Ellie S M Chu1
1School of Medical and Health Sciences, Tung Wah College, 31 Wylie Road, HoManTin, Hong Kong.
Biomedicines
|April 27, 2024
概括
一个整合大脑体积,放射学和人口统计的人工智能模型准确地分类痴呆阶段,如阿尔茨海默病 (AD) 和轻度认知衰退 (MCI). 这种人工智能方法在早期痴呆症诊断和患者分拣方面表现有前途.
科学领域:
- 神经成像是一种神经成像.
- 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:
- 磁化准备快速获取 (MPRAGE) MRI 是痴呆症诊断的一个关键工具.
- 脑部MRI的体积测量分析对于分类痴呆症阶段至关重要.
- 这项研究整合了体积学,放射学和人口统计学,用于高级痴呆症分类.
研究的目的:
- 开发一种人工智能模型来分类痴呆的阶段:阿尔茨海默病 (AD),轻度认知衰退 (MCI) 和认知正常 (CN).
- 评估整合大脑区域体积,放射学和人口统计数据用于痴呆症分类的有效性.
主要方法:
- 利用了阿尔茨海默病神经成像计划 (ADNI) 和开放式成像研究系列 (OASIS) 数据集.
- 雇佣的自由冲浪者用于大脑细分和3D切片器用于放射学特征提取.
- 开发和比较人工智能模型,包括前神经网络 (FFNN),支持矢量机 (SVM),集合分类器 (EC) 和决策树 (DT).
主要成果:
- 综合模型实现了最高的整体准确率:76.57% (ADNI) 和73.14% (OASIS).
- 对于MCI,AD和CN的子类准确度很高,在两个数据集中灵敏度和特异性平衡.
- 该FFNN模型在分类不同痴呆阶段方面表现强.
结论:
- 该FFNN模型有效地分类MCI,AD和CN,具有良好的准确性和平衡的子类性能.
- 拟议的FFNN模型很简单,可以帮助患者进行初始分拣,以进一步确认诊断.
- 这种人工智能驱动的方法为支持早期痴呆症检测提供了一个潜在的工具.
