基于注意力的变压器神经网络用于从sMRI数据中估计认知得分.
Songheng Li1, Yanteng Zhang2, Congyu Zou3
1College of Artificial Intelligence (CUIT Shuangliu Industrial College), Chengdu University of Information Technology, Chengdu, 610225, China; National Intelligent Society Comprehensive Governance Experimental Base (CUIT Shuangliu Industrial College), Chengdu University of Information Technology, Chengdu, 610225, China.
Computers in biology and medicine
|July 4, 2025
概括
这项研究引入了一种新的深度学习模型,使用变压器的注意力来预测结构性MRI的认知得分,改善阿尔茨海默病 (AD) 诊断. 该方法有效地识别了关键的大脑区域,提高了对痴呆症进展的预测准确度.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 从结构性MRI中准确预测认知得分对于理解痴呆症和预测阿尔茨海默病 (AD) 至关重要.
- 现有的深度学习方法往往忽略了AD进展中的个体结构变化.
- 需要先进的模型,能够捕捉与认知衰退相关的微妙,特定区域的大脑变化.
研究的目的:
- 开发一个集成变压器注意力的深度神经网络,从结构性MRI中共同预测多个认知分数 (ADAS,CDRSB,MMSE).
- 通过关注个体特定的结构差异,提高阿尔茨海默病认知衰退预测的准确性.
- 提高神经成像在诊断和监测痴呆症中的临床实用性.
主要方法:
- 使用3D卷积神经网络 (CNN) 骨干编码sMRI数据,捕获本地结构信息.
- 一个改进的变压器注意力阻断器与3D定位编码和卷积层适应性地识别了整个大脑的歧视性成像特征.
- 一个注意力感知回归网络促进了多个认知分数的联合预测.
主要成果:
- 与现有的传统和深度学习方法相比,提出的方法在ADNI数据集上表现出更高的性能.
- 定性分析证实,与痴呆症相关的大脑区域具有显著的生物学相关性.
- 该模型通过专注于关键的认知相关领域,有效地提高了认知得分预测的性能.
结论:
- 开发的深度学习模型与变压器的注意力提供了一个有希望的方法,用于从结构性MRI准确的认知得分预测.
- 这种方法有可能改善阿尔茨海默病和其他痴呆症的早期发现,诊断和监测.
- 这些发现凸显了整合注意力机制的重要性,以捕捉神经退行性疾病中个体特异性的大脑变化.
