早期诊断轻度认知障碍和阿尔茨海默病使用多式特征基于深度学习模型在中国老年人群的早期诊断

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:

• 阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 是一种进展性神经退行性疾病,缺乏有效的治疗方法,需要早期诊断.
• 脑电图 (EEG) 和事件相关潜能 (ERP) 提供非侵入性,高时间分辨率的方法来检测认知衰退.
• 传统中医 (TCM) 的特征,如身体构成,是MCI的公认风险因素,而AI,特别是深度学习,提高了诊断准确度.

研究的目的:

• 评估深度学习模型在认知障碍分类方面的有效性.
• 评估融合脑电图 (EEG) 事件相关潜力 (ERP) 和传统中医 (TCM) 功能用于诊断的实用性.
• 为了比较各种深度学习架构在认知障碍跨学科分类中的性能.

主要方法:

• 参与者包括30名健康对照 (HC),30名MCI和30名AD患者.
• 视觉奇怪的ERP任务是在中性,幸福和悲伤刺激下进行的.
• 深度学习模型 (EEGNet,CNN-LSTM,GCN) 提取了ERP特征,而多层感知器处理了TCM特征. 融合特征被用于十倍的跨主题二元和三元分类.

主要成果:

• 图形卷积网络 (GCN) 模型在所有分类任务中明显优于其他模型.
• 在二元分类 (HC与MCI+AD) 中,GCN取得了很高的准确性:90.17% (中立),86.73% (快乐) 和84.73% (悲伤).
• 对于三元分类 (HC,MCI,AD),GCN在中性刺激下达到72.67%的峰值精度.

结论:

• 融合了ERP和TCM功能与深度学习模型,显示出在早期认知衰退诊断中具有强大的跨学科有效性.
• 在区分健康个体与患有MCI和AD的个体方面,GCN模型的表现与血液学生物标志物相当.
• 这项研究提出了一种可靠的AI驱动的方法,用于在临床环境中早期检测认知障碍.