预测阿尔茨海默病使用鱼优化和混合深度学习模型
Sameer Abbas1, Mustafa Yeniad1, Javad Rahebi2
1Computer Engineering Department, Ankara Yildirim Beyazit University, 06010 Ankara, Türkiye.
Diagnostics (Basel, Switzerland)
|June 26, 2025
概括
一个新的混合深度学习模型使用MRI扫描准确诊断阿尔茨海默病 (AD). 这一框架增强了神经退行性疾病的早期检测和潜在的临床应用.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,影响记忆和认知.
- 早期和准确的AD诊断对于有效的治疗和管理至关重要.
- 磁共振成像 (MRI) 是AD评估的一个关键模式.
研究的目的:
- 开发和验证一种新的混合深度学习框架,以使用MRI数据改进阿尔茨海默病的诊断.
- 为了提高早期AD检测的准确性和效率.
- 探索先进AI模型在神经退行性疾病诊断中的潜在临床适用性.
主要方法:
- 提出了一种混合深度学习框架,该框架将纹理特征的灰色级别共发生矩阵 (GLCM) 和空间特征的VGG16结合起来.
- 用Fisher Mantis优化 (FMO) 来进行最佳特征选择.
- 一个卷积神经网络-长期短期记忆 (CNN-LSTM) 模型对选定的特征进行了分类,在MRI数据中捕获了时空模式.
主要成果:
- 拟议的GLCM + VGG16 + FMO + CNN-LSTM模型实现了高诊断性能:准确率为98.63%,灵敏度为98.69%,精度为98.66%,F1得分为98.67%.
- 该框架显著超过了现有的方法,如CNN + SVM和3D-CNN + BiLSTM.
- 对比分析表明FMO优于其他优化算法,并证实了该模型的稳定性.
结论:
- 该GLCM + VGG16 + FMO + CNN-LSTM模型显示出高效率和稳定性,用于准确和早期的阿尔茨海默病诊断.
- 这些发现支持这种先进的深度学习方法在AD检测中临床应用的潜力.
- 这项研究强调了混合人工智能模型在分析神经系统疾病的复杂医学成像数据方面的力量.
