转移学习和基于神经网络的结构性MRI数据以预测和分类阿尔茨海默病的方法
Farideh Momeni1, Daryoush Shahbazi-Gahrouei1, Tahereh Mahmoudi2
1Department of Medical Physics, School of Medicine, Isfahan University of Medical Sciences, Isfahan 81746-73461, Iran.
Diagnostics (Basel, Switzerland)
|February 13, 2025
概括
这项研究使用人工智能和结构性MRI准确检测阿尔茨海默病 (AD) 和其早期阶段,包括区分早期轻度认知障碍 (EMCI) 和晚期轻度认知障碍 (LMCI). 人工智能模型实现了99.7%的准确性,有助于早期AD预测和管理.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 阿尔茨海默病 (AD) 缺乏确定的治疗方法,因此早期诊断对于减缓进展至关重要.
- 结构磁共振成像 (sMRI) 和人工智能 (AI) 对AD检测有希望.
- 区分早期轻度认知障碍 (EMCI) 和晚期轻度认知障碍 (LMCI) 对于及时干预至关重要.
研究的目的:
- 为了区分阿尔茨海默病 (AD) 和正常对照 (NC).
- 要区分早期轻度认知障碍 (EMCI) 和晚期轻度认知障碍 (LMCI).
- 评估sMRI用于早期AD预测的诊断性能 (准确度和AUC).
主要方法:
- 使用了来自ADNI和OASIS数据库的398名参与者的数据集.
- 包括98个患有AD的个人,102个患有EMCI,98个患有LMCI和100个患有NC.
- 采用了一个包含DenseNet169,转移学习和类分解的模型.
主要成果:
- 在所有四个类别中实现了99.7%的整体准确性.
- 在各种比较中证明了高的曲线下面积 (AUC) 值 (例如,NC与NC对比). AD:0.985,EMCI与LMCI:1.000之间). 没有任何问题.
- 成功地将EMCI与LMCI区分开来,其AUC为1.000.
结论:
- 人工智能模型有效地分类AD阶段,特别是区分EMCI和LMCI.
- 高精度和AUC证实了该模型在早期AD诊断中的强大表现.
- 认知障碍阶段的准确诊断有助于早期预测和管理AD.
