优化混合深度学习框架用于早期检测阿尔茨海默病使用自适应体重选择
Karim Gasmi1, Abdulrahman Alyami2, Omer Hamid3
1Department of Computer Science, College of Computer and Information Sciences, Jouf University, Sakaka 72388, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|January 8, 2025
概括
这项研究引入了一种新的深度学习框架,用于准确诊断阿尔茨海默病. 混合模型显著改善了早期检测,为及时干预和更好的患者结果提供了可靠的工具.
科学领域:
- 人工智能的人工智能
- 医学成像分析 医学成像分析
- 神经系统疾病 神经系统疾病
背景情况:
- 阿尔茨海默病 (AD) 是一种进展性神经系统疾病,导致认知能力下降.
- 目前对阿尔茨海默病的诊断方法往往缺乏准确性和效率.
- 早期和精确的诊断对于有效的阿尔茨海默病干预至关重要.
研究的目的:
- 开发一个增强的混合深度学习框架,以改善阿尔茨海默病的诊断.
- 利用EfficientNetV2B3和Inception-ResNetV2模型的优势,以获得更高的分类准确性.
- 解决传统诊断技术在识别阿尔茨海默病早期阶段的局限性.
主要方法:
- 开发了一个混合深度学习框架,结合了EfficientNetV2B3和Inception-ResNetV2.
- 采用了使用Cuckoo Search优化算法的自适应性体重选择过程.
- 神经成像数据经过预处理,随后进行特征提取和动态模型权重以优化性能.
主要成果:
- 该框架获得了0.9907的Scott's Pi协议得分,证明了异常的诊断准确性.
- 与现有方法相比,该模型在识别早期阿尔茨海默病的表现更好.
- 这些结果在广泛的神经成像数据集上得到了验证,证实了框架的有效性.
结论:
- 拟议的框架显示出作为阿尔茨海默病鉴定可靠工具的巨大潜力.
- 这种混合方法减轻了传统方法和当前深度学习算法的缺陷.
- 库库搜索优化的自适应性增强了在各种神经成像数据集和诊断场景中的适用性.
