基于MRI的阿尔茨海默氏病诊断模型使用3D-ResNet

科学领域:

• 人工智能的人工智能
• 神经成像是一种神经成像.
• 神经学 神经学

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,是全球痴呆的主要原因.
• 早期和准确的阿尔茨海默病诊断对于及时干预至关重要,因为这种疾病目前是无法治愈的.
• 深度学习的进步为开发复杂的诊断工具提供了新的可能性.

研究的目的:

• 提出和评估一种新的深度学习模型,用于使用脑MRI数据对认知状态 (AD,MCI,CN) 进行分类.
• 通过整合3D-ResNet,3D-CNN和空间注意力机制 (SAM) 来增强诊断能力.
• 通过可解释的AI方法识别参与AD分类的关键大脑区域.

主要方法:

• 开发一个包含空间注意力机制 (SAM) 的3D-ResNet架构.
• 利用阿尔茨海默病神经成像倡议 (ADNI) 数据集与800个大脑MRI扫描.
• 雇员数据增强和交叉验证,以进行强大的模型培训和评估,以7:3分列训练测试.

主要成果:

• 在分类三个认知状态 (AD,MCI,CN) 中获得了92.33%的准确性.
• 在二进制分类中证明了高准确性:97.61% (AD与CN),95.83% (AD与MCI) 和93.42% (CN与MCI).
• 格拉德-CAM分析强调大脑皮质和海马体是AD分类的关键区域.

结论:

• 拟议的人工智能模型为早期诊断阿尔茨海默病提供了一个强大的和可解释的框架.
• 该模型的性能超过了现有的最先进的方法,为临床应用提供了显著的潜力.
• 这些发现支持在神经成像中使用人工智能,以便及时检测和干预阿尔茨海默病.