基于3DCNN的可解释组合模型,用于早期诊断阿尔茨海默氏症
IEEE transactions on computational social systems
|September 6, 2024
概括
这项研究介绍了一种使用3D卷积神经网络和遗传算法来识别阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 的适应性解释模型,通过精确定位关键大脑区域来确定阿尔茨海默病 (AD) 和轻度认知障碍 (MCI). 该模型准确地区分疾病,并突出显示对早期AD检测至关重要的大脑区域.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 计算神经科学是一种神经科学.
背景情况:
- 阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 带来了重大的诊断挑战.
- 准确识别早期的神经退行变化对于及时干预至关重要.
- 现有的神经影像分析方法可能缺乏准确性来识别微妙的,局部的大脑变化.
研究的目的:
- 开发和验证一个可适应的可解释组合模型 (3DCNN+EL+GA) 来区分患有AD/MCI的受试者与健康对照者.
- 通过使用数据驱动的方法来识别特定的,有歧视性的大脑区域和分区域,这些区域有助于这些分类.
- 评估模型的性能与最先进的深度学习算法对比.
主要方法:
- 开发了一种组合模型,将三维卷积神经网络 (3DCNN) 与遗传算法 (GA) 结合起来.
- 基于梯度的归因方法被用来在声素水平上定位歧视性大脑子区域.
- 该模型在来自阿尔茨海默病神经成像计划 (ADNI) 和开放式成像研究系列 (OASIS) 的数据集上进行了测试.
主要成果:
- 与其他深度学习算法相比,3DCNN+EL+GA模型表现出卓越的性能.
- 鉴定出有区别性的大脑区域,包括面部海马,尾部海马和中部杏仁体.
- 这些区域与记忆,情绪和语言功能相关,已知这些区域在阿尔茨海默病的早期受到影响.
结论:
- 拟议的3DCNN+EL+GA模型为诊断AD和MCI提供了一种可靠和可解释的方法.
- 确定的大脑区域为阿尔茨海默病的早期病理过程提供了洞察力.
- 未来的研究应该探索这种方法对其他神经和精神疾病的普遍性.
