一种用于阿尔茨海默病诊断的多图形卷积网络方法,基于具有双模式连接的多频EEG数据

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:

• 由于微妙的早期大脑变化,阿尔茨海默病 (AD) 诊断具有挑战性.
• 当前的方法往往忽略了空间连接和多频率EEG数据集成.
• 电脑电图 (EEG) 是研究神经退行性疾病的一个关键工具.

研究的目的:

• 为早期阿尔茨海默病诊断开发一种基于图形的新型深度学习模型.
• 从多频率EEG数据中整合功能和结构连接.
• 为了提高AD检测的准确性和全面性.

主要方法:

• 引入基于多频率EEG数据的多图形卷积网络 (MF-MGCN) 模型.
• 功能和结构连接的整合,以捕捉大脑区域的关系.
• 从五个EEG频段中提取差异 (DE) 特性,并使用图形卷积网络 (GCN) 进行聚合.

主要成果:

• 该MF-MGCN模型在分类阿尔茨海默氏症 (AD) 和健康对照 (HC) 中获得了96.15%的准确性.
• 该模型显示了AD和HC分类的高曲线下面积 (AUC) 为98.74%.
• 开发的方法在AD诊断中表现优于现有的方法.

结论:

• MF-MGCN模型显示出作为阿尔茨海默病诊断临床工具的巨大潜力.
• 可以促进早期发现AD,使得及时干预和个性化治疗.
• 这种新的方法增强了对AD检测不同频段的动态大脑活动的理解.