通过机器学习方法和神经成像改善阿尔茨海默病诊断:案例研究发展研究

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) 是一种严重的神经系统疾病.
• 早期发现AD对于症状管理至关重要.
• 机器学习 (ML) 为计算机辅助诊断AD提供了先进的工具.

研究的目的:

• 开发和评估用于AD检测和分类的计算机辅助诊断系统.
• 在神经成像数据集 (OASIS和ADNI) 上研究各种ML技术的性能.

主要方法:

• 使用人工神经网络 (ANN) 和支持矢量机器 (SVM) 作为分类器.
• 采用主要组件分析 (PCA),线性判别分析和t分布式随机邻居嵌入来提取特征.
• 应用前神经网络 (FFNNs),SVM和视觉转换器 (ViT) 具有用于AD分类的数据增强.

主要成果:

• 实验是在OASIS (300名患者) 和ADNI (231名患者) 数据集的MRI和PET扫描上进行的.
• 数据增强/ViT方法实现了高精度:93.2%的OASIS和90.4%的ADNI.
• 有了足够的数据,ViT模型表现出卓越的性能,超过了SVM和FFNN分类器.

结论:

• 使用神经成像数据的有效ML模型可以显著帮助医生在AD诊断和及时治疗.
• ViT模型显示了改善AD预测的前景,特别是在与数据增强技术相结合时.
• 进一步开发ML模型可以提高阿尔茨海默病的诊断准确性和患者的治疗结果.