一种改进的深度学习方法用于阿尔茨海默病的检测,该方法基于小鼠的面部亚微观特征
Guosheng Shen1,2,3,4, Fei Ye1,2,3,4, Wei Cheng1,2,3,4
1Institute of Modern Physics, Chinese Academy of Sciences, 509 Nanchang Road, Lanzhou, 730000, Gansu Province, China.
Biomedical engineering online
|November 1, 2024
概括
研究人员开发了一种深度学习模型,使用面部图像在小鼠中检测阿尔茨海默病 (AD). 这种新的方法显示出高准确性,这表明在人类中早期发现AD的潜力.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 神经科学是一个神经科学.
背景情况:
- 阿尔茨海默病 (AD) 是一个日益增长的全球公共卫生问题,特别是随着人口老龄化.
- 早期诊断AD对于有效的治疗策略至关重要.
- 确定可靠的早期检测方法是阿尔茨海默病研究的一个重大挑战.
研究的目的:
- 开发和完善一个深度学习模型,用于识别小鼠面部图像中的亚微观AD相关特征.
- 评估模型在区分正常小鼠和患有AD的小鼠方面的性能.
- 探索面部成像作为AD检测非侵入性方法的潜力.
主要方法:
- 开发一个多层循环的残余卷积神经网络 (CNN).
- 基于面部图像分析,将小鼠分为正常对照组和AD组.
- 使用类激活映射 (CAM) 在面部图像中可视化AD相关特征.
主要成果:
- 与其他深度学习模型相比,拟议的CNN模型展示了优越的检测性能.
- 在阿尔茨海默病的识别中获得了高准确度 (99.78%),灵敏度 (100%),特异性 (99.65%) 和精度 (99.44%).
- CAM分析证实了老鼠面部图像中存在AD相关的亚微观特征.
结论:
- 基于面部图像的深度学习模型对于在小鼠中识别阿尔茨海默病是可行的和准确的.
- 这项研究证实了通过深度学习在人类早期发现AD时使用面部图像的潜力.
- 这项研究为阿尔茨海默病研究中的非侵入性诊断工具开辟了新的途径.
