基于双重注意力的融合网络用于MCI转换预测

科学领域:

• 神经学 神经学
• 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) 构成了全球重大健康挑战.
• 在轻度认知障碍 (MCI) 中早期预测疾病进展对于有效的干预和临床研究至关重要.

研究的目的:

• 开发一种新的双重注意力网络,用于分类渐进性MCI (pMCI) 和稳定的MCI (sMCI).
• 利用磁共振成像 (MRI) 和神经认知元数据来提高分类准确性.

主要方法:

• 使用3D CNN ShuffleNet V2模型从MRI扫描中提取特征.
• 采用神经认知元数据指导空间注意力机制,专注于歧视性大脑区域.
• 实施基于视觉变压器 (ViT) 的自我注意力机制,以融合MRI特征和神经认知数据.

主要成果:

• 通过5倍交叉验证,通过5倍交叉验证实现了81.34%的准确性,AUC为0.874,灵敏度为0.85.
• 与MCI进展分类的现有方法相比,表现优越.
• 废弃性研究证实了这两种融合方法对模型性能的显著贡献.

结论:

• 拟议的双重注意力网络为准确预测MCI进展提供了一个有希望的方法.
• 将多式联络数据 (MRI和神经认知元数据) 与先进的深度学习技术集成,提高了分类能力.
• 这种方法具有改善患者管理和加速阿尔茨海默病研究的潜力.