通过应用机器学习来优化神经系统疾病的早期诊断,用于医学成像中的预测分析

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 像阿尔茨海默氏症 (AD) 和脑瘤 (BT) 这样的神经系统疾病 (ND) 的早期诊断是具有挑战性的,因为可以通过磁共振成像 (MRI) 检测到微妙的解剖变化.
• 目前的MRI分析方法,通常依赖于人类解释或标准的深度学习 (DL) 技术,如卷积神经网络 (CNN),可能耗时,容易出现不准确性,并且可能错过早期的指标,这些指标对有效治疗至关重要.
• 现有的DL模型往往忽略了大脑变化的时间动态,限制了全面的分析.

研究的目的:

• 引入一种新的混合深度学习模型,STGCN-ViT,旨在克服诊断早期神经系统疾病的现有方法的局限性.
• 从MRI数据中有效提取空间和时间特征,以提高诊断准确度.
• 为了验证模型在用于神经疾病检测的基准数据集上的性能.

主要方法:

• 该研究提出了STGCN-ViT,这是一个混合模型,集成了CNN,空间时间图卷积网络 (STGCN) 和视觉变压器 (ViT).
• EfficientNet-B0用于空间特征提取,STGCN用于时间特征提取,ViT用于基于注意力的特征提取.
• 该模型使用开放式访问系列成像研究 (OASIS) 和哈佛医学院 (HMS) 基准数据集进行了评估.

主要成果:

• STGCN-ViT模型在OASIS和HMS数据集上表现出强的表现.
• 对于A组,该模型的准确度为93.56%,精度为94.41%,AUC-ROC得分为94.63%.
• 对于B组,该模型与标准和基于变压器的模型相比取得了更好的结果,准确率为94.52%,精度为95.03%,AUC-ROC得分为95.24%.

结论:

• 拟议的STGCN-ViT模型有效地整合了空间和时间特征提取,以加强神经疾病诊断.
• 高精度和性能指标表明该模型的实时医疗应用潜力.
• 这种方法为精确和早期检测神经系统疾病提供了一个有希望的解决方案,促进及时的医疗干预.