SpectroCVT-Net:一个卷积视觉转换器架构和道注意力用于使用光谱图对阿尔茨海默病的分类
Mario Alejandro Bravo-Ortiz1, Ernesto Guevara-Navarro2, Sergio Alejandro Holguín-García1
1Departamento de Electrónica y Automatización, Universidad Autónoma de Manizales, Manizales, Caldas, Colombia; Centro de Bioinformática y Biología Computacional (BIOS), Manizales, Caldas, Colombia.
Computers in biology and medicine
|August 23, 2024
概括
这项研究介绍了SpectroCVT-Net,这是一种新的AI模型,用于使用脑电图 (EEG) 谱图早期检测阿尔茨海默病. 该模型在区分阿尔茨海默氏症,前性痴呆和健康对照方面取得了高准确性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 痴呆症,包括阿尔茨海默病 (AD),影响全球数百万人,需要先进的诊断工具.
- 目前的AD诊断通常依赖于特定的生物标志物,但早期检测仍然具有挑战性.
- 电脑电图 (EEG) 为神经评估提供了一种经济高效且易于使用的方法.
研究的目的:
- 开发和评估一种新的深度学习架构,SpectroCVT-Net,用于使用EEG光谱图对痴呆症亚型进行分类.
- 提高人工智能驱动的神经退行性疾病诊断模型的准确性和可解释性.
- 在不依赖转移学习的情况下评估SpectroCVT-Net的有效性.
主要方法:
- 使用短时间里埃变换 (STFT) 处理EEG信号以创建光谱图.
- 设计了一个新的卷积视觉转换器 (CVT) 架构,SpectroCVT-Net,将卷积层与道注意力机制集成在一起.
- 该模型在Brainlat数据库上进行了训练和验证,包括阿尔茨海默病患者,健康对照组和行为变异前性痴呆症 (bvFTD) 患者的数据.
主要成果:
- 在阿尔茨海默病,健康对照和bvFTD中,SpectroCVT-Net实现了92.59 ± 2.3%的分类准确度.
- 与传统的转移学习方法相比,该模型显示出更高的性能.
- 格拉德-CAM分析提供了对网络决策过程的见解,突出了关键的EEG特征.
结论:
- SpectroCVT-Net代表了基于AI的EEG分析用于痴呆症诊断的重大进展.
- 该架构有效地捕捉了EEG光谱图中的本地和全球依赖关系.
- 该研究强调了SpectroCVT-Net在帮助早期临床诊断和痴呆症管理方面的潜力.
