基于深度学习的阿尔茨海默病检测,使用磁共振成像和基因表达数据

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 基因组学就是基因组学.

背景情况:

• 阿尔茨海默氏症 (AD) 是全球医疗保健的挑战,需要早期和准确的诊断来有效管理.
• 人工智能 (AI) 为使用神经成像和基因组学的多模式诊断模型提供了潜力,但解释性仍然是一个挑战.
• 开发用于AD诊断的可解释AI模型对于推进患者护理至关重要.

研究的目的:

• 为阿尔茨海默病 (AD) 建立一个全面的,可解释的基于AI的诊断模型.
• 整合磁共振成像 (MRI) 和基因表达数据,以增强AD检测.
• 改进早期干预和个性化治疗策略,为阿兹海默症患者.

主要方法:

• 使用MobileNet V3和EfficientNet B7进行基因表达特征提取.
• 开发了一种混合TWIN-Performer模型用于MRI特征提取.
• 使用基于注意力的特征融合和集体分类器 (CatBoost,XGBoost,ERT) 进行AD识别.
• 综合的沙普利添加式解释 (SHAP) 为模型的可解释性.

主要成果:

• 拟议的多模式人工智能模型在各种数据集上表现出卓越的性能.
• 实现了持续高的接收器操作特征下面面积 (AUROC) 评分高于0.85.
• SHAP 值增强了模型的解释性,促进了对诊断特征的理解.

结论:

• 开发的AI模型显示出对精确和可解释的阿尔茨海默病诊断有重大前景.
• 多模式数据集成和先进的人工智能技术可以克服诊断挑战.
• 改进的解释性支持早期干预和个性化治疗计划.