一个新的诊断框架,采用优化的视觉转换器组合和卷积神经网络,用于医疗成像中增强阿尔茨海默病检测
Joy Chakra Bortty1, Gouri Shankar Chakraborty2, Inshad Rahman Noman3
1Department of Computer Science, Westcliff University, 17877 Von Karman Ave 4th Floor, Irvine, CA 92614, USA.
Diagnostics (Basel, Switzerland)
|March 28, 2025
概括
这项研究引入了一种先进的人工智能框架,用于使用脑MRI扫描来早期检测阿尔茨海默病. 这种新型深度学习模型实现了高精度,使得及时诊断和改善患者护理.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,影响认知和生活质量.
- 早期发现AD对于延迟进展和及时介入至关重要.
- 开发快速可靠的诊断方法仍然是阿尔茨海默病研究的一个重大挑战.
研究的目的:
- 为准确和高效地检测阿尔茨海默病提出一种新且优化的人工智能框架.
- 通过先进的深度学习技术,提高阿尔茨海默病的早期诊断能力.
- 通过促进及时干预,改善患者和护理人员的生活质量.
主要方法:
- 一个视力转换器模型 (ViT-B16) 与三个卷积神经网络 (CNN) 模型 (VGG19,ResNet152V2,EfficientNetV2B3) 相结合.
- 在OASIS基准数据集上训练模型,其中包括大量的大脑磁共振图像 (MRI).
- 使用加权平均组合技术与Grasshopper优化算法集成,以实现性能最大化.
主要成果:
- 在分类阿尔茨海默氏症水平方面取得了97.31%的高精度.
- 表现出强大的性能指标,包括精度为97.32%,召回率为97.35%,F1得分为0.97.
- 拟议的框架在疾病分类方面表现出了显著的效率,敏感性和可靠性.
结论:
- 开发的AI框架与现有的最先进的阿尔茨海默病检测技术相比,提供了更高的性能.
- 该系统的效率和可靠性使其适合集成到IoMT (医疗物联网) 基础设施中.
- 能够访问阿尔茨海默病的智能和远程诊断服务,促进更广泛的医疗保健服务.