使用深度学习神经网络来改善痴呆症检测:自动编码时钟绘图测试

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 公共卫生 公共卫生

背景情况:

• 阿尔茨海默病和相关痴呆症 (ADRD) 构成了重大的公共卫生挑战.
• 时钟绘图测试 (CDT) 是ADRD的常见选工具,但手动编码引入了潜在的偏差.
• 大规模研究需要有效和公正的方法来分析CDT结果.

研究的目的:

• 开发和评估使用深度学习神经网络 (DLNN) 进行CDT评分的自动化系统.
• 为了比较不同DLNN模型 (ResNet101,EfficientNet,Vision Transformers - ViT) 的性能,用于CDT图像分析.
• 引入和评估CDT的顺序评分系统,超越传统的名义分类.

主要方法:

• 利用来自国家健康和衰老趋势研究 (NHATS) (2011-2019) 的CDT图像的大数据集.
• 实现并比较了三个DLNN架构:ResNet101,EfficientNet和视觉转换器 (ViT).
• 开发了一个顺序分数系统 (0-5) 并将DLNN基于的编码与手动编码标准进行了比较.

主要成果:

• 与ResNet101和EfficientNet相比,视觉变压器 (ViT) 在CDT评分中表现出更好的表现.
• 基于ViT的系统在准确性和一致性方面超过了手动编码.
• 顺序编码系统有效地减少了分数中的低估或高估错误.

结论:

• 使用ViT的AI驱动系统为自动CDT评分提供了准确和高效的方法.
• 这种自动化方法减少了偏差,并通过CDT分析提高了ADRD查的可靠性.
• 开发的ViT编码系统现在已经集成到NHATS研究中,用于年度CDT编码,增强ADRD研究.