基于深度学习的阿尔茨海默病检测:可复制性和建模选择的影响

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的机器学习
• 神经科学是一个神经科学.

背景情况:

• 机器学习 (ML) 对医疗保健中的传统统计方法具有优势.
• 在临床实践中,可复制和可靠的ML需要严格遵守数据处理和建模最佳实践.
• 阿尔茨海默病 (AD) 检测在医疗保健中是一个重大挑战.

研究的目的:

• 调查数据增强技术和模型复杂性对使用ML检测阿尔茨海默病的影响.
• 通过坚持数据处理和建模的最佳实践,确保可重复和可靠的ML.
• 评估不同的3D卷积神经网络 (CNN) 架构和数据增强策略.

主要方法:

• 利用了来自阿尔茨海默病神经成像计划 (ADNI) 库的磁共振成像 (MRI) 数据.
• 使用3D卷积神经网络 (CNN) 来对阿尔茨海默病进行二进制分类.
• 训练了15个模型,具有不同的数据增强 (相似的转换:变焦,转移,旋转) 和3D CNN架构.

主要成果:

• 数据增强和模型复杂性影响了预测准确度高达10%.
• 单独应用亲属转换在整个架构中产生了更高的模型准确性.
• 模型准确性显示了与卷积层数量的形关系,在中间值达到顶峰.

结论:

• 严格的实验实践对于医疗保健中可靠的ML至关重要.
• 数据增强和模型深度显著影响性能,需要彻底调查.
• 对建模选择的全面报告对于可重现性和交叉研究比较至关重要.