基于空间和频域的特征融合,以使用人工智能驱动的方法准确检测精神分裂症
Ashima Tyagi1, Vibhav Prakash Singh1, Manoj Madhava Gore1
1Department of Computer Science and Engineering, Motilal Nehru National Institute of Technology Allahabad, Prayagraj, 211004 India.
Health information science and systems
|April 14, 2025
概括
这项研究引入了一种新的混合机器学习模型,用于使用结构性MRI扫描来早期检测精神分裂症. k-最近邻居分类器实现了98.1%的准确性,为可靠的诊断提供了一个有前途的工具.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 精神分裂症是一种致残的神经精神疾病,影响大脑功能.
- 污名化需要高度准确的诊断工具.
- 结构性MRI与机器学习相结合显示出可靠的精神分裂症诊断的潜力.
研究的目的:
- 开发和评估用于早期自动化精神分裂症检测的混合机器学习方法.
- 调查结构MRI中空间和频率域特征的结合效果.
- 为了比较支持向量机,随机森林和K-最近邻居分类器的性能.
主要方法:
- 使用本地二进制模式方法提取的空间特征.
- 使用快速里埃转换提取基于频率的特征 (幅度和相位).
- 使用混合功能集与支持向量机,随机森林和K-最近邻居进行分类,采用10倍交叉验证.
主要成果:
- 支持矢量机和随机森林分类器分别实现了86.5%和85.1%的准确性.
- K-Nearest Neighbor以98.1%的准确度展示了卓越的性能.
- K-Nearest Neighbor实现了98.1%的精度和98.0%的回忆,这表明检测非常准确.
结论:
- 拟议的混合基于特征的机器学习模型显示了早期和准确的精神分裂症检测的巨大潜力.
- 使用结构性MRI的混合空间和频率特征的K-Nearest Neighbor分类器,对精神分裂症诊断非常有效.
- 这种方法提供了一种可靠的,自动化的方法来帮助诊断精神分裂症,可能减少诊断延迟并改善患者的治疗结果.
