提高ALS检测和认知障碍分层,使用注意力增强的深度学习模型来改善ALS检测和认知障碍分层
Yuqing Xia1, Jenna M Gregory2, Fergal M Waldron2
1School of Engineering and Physical Sciences, Heriot-Watt University, Edinburgh, UK.
Scientific reports
|February 27, 2025
概括
研究人员开发了Miniset-DenseSENet,这是一种用于早期肌缩性侧面硬化症 (ALS) 检测的AI模型. 该工具使用大脑图像准确识别ALS亚型,可能改善患者的诊断和治疗策略.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 肌缩侧面硬化症 (ALS) 是一种进展性神经退行性疾病,具有重大诊断挑战.
- 由于疾病的复杂性和与其他神经系统疾病重叠的症状,ALS的早期检测受到阻碍.
- 认知障碍,特别是前性痴呆,是ALS中常见的并发症.
研究的目的:
- 开发和验证人工智能模型,使用神经成像数据准确分类ALS患者和对照组.
- 为了研究将DenseNet121与Squeeze-and-Excitation注意力机制相结合的疗效,以提高诊断性能.
- 区分ALS患者与没有认知障碍 (ALS-前性痴呆症) 之间的区别.
主要方法:
- 开发了Miniset-DenseSENet,一个卷积神经网络,集成DenseNet121和Squeeze-and-Excitation注意力.
- 利用了来自格雷戈里实验室的190张解剖脑图像的数据集.
- 员工转移学习技术用于模型培训和评估.
主要成果:
- Miniset-DenseSENet在区分对照组,没有认知障碍的ALS患者和认知障碍的ALS患者方面取得了97.37%的整体准确性.
- 该模型与其他转移学习模型相比,表现优越,灵敏度为1,特异性为0.95.
- 成功解决了通过TDP-43蛋白质病变特征的重叠神经退行性疾病的差异化挑战.
结论:
- 在神经成像分析中整合转移学习和注意力机制显著提高了ALS的诊断准确性.
- 开发的模型显示了早期发现ALS和改善患者分层的潜力.
- 这种人工智能驱动的方法可以帮助临床决策,并支持开发针对ALS的个性化治疗策略.
