增强阿尔茨海默病诊断的多模式LLM:从迷你精神状态检查数据中提取可解释的特征

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 阿尔茨海默氏症 (AD) 构成了全球重大健康负担,需要精确的早期诊断工具.
• 迷你心理状态检查 (MMSE) 是一种标准的选方法,但由于不充分利用丰富的多式联络数据 (视频,图像,语音),其潜力受到限制.

研究的目的:

• 开发和验证使用MMSE数据进行增强的阿尔茨海默病 (AD) 诊断的多式大型语言模型 (LLM) 框架.
• 为了利用LLMs对MMSE模式进行更深入的分析,超越传统的特征提取.
• 创建一个可解释的诊断系统,具有透明的决策路径和反事实解释.

主要方法:

• 开发了一个新的多式联络法学士框架,直接处理来自MMSE评估的视频,图像和语音数据.
• 该法学士提取了反映认知见解的高级语义特征.
• 实现了一个可解释的决策树分类器,包含一个简要的规则列表和一个反事实解释模块.

主要成果:

• 与传统方法相比,拟议的框架证明了阿尔茨海默病 (AD) 的诊断准确度提高了约6%.
• 可解释的决策树和规则列表提供了透明的诊断途径.
• 反事实解释模块为模型输出提供了个性化的"假设"分析.

结论:

• 多模式的LLM框架为早期AD检测提供了一个有希望的,可解释和可扩展的解决方案.
• 将先进的人工智能与MMSE数据集成,可以显著提高诊断能力.
• 该系统的透明度和可解释性促进了临床采用和信任.