使用综合CNN-LSTM框架提升阿尔茨海默病的早期检测:基于fMRI的多阶段分类的强大方法

科学领域:

• 神经成像
• 机器学习
• 神经系统疾病

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性,不可逆转的神经疾病,死亡率很高.
• 早期发现阿尔茨海默病及其预发性阶段,即轻度认知障碍 (MCI),对于干预至关重要.
• 目前使用手工制造的fMRI功能连接特征的方法往往不稳固且计算密集.

研究的目的:

• 开发一个集成的深度学习框架,用于对阿尔茨海默病和轻度认知障碍进行自动分类.
• 使用fMRI数据提高AD和MCI阶段 (EMCI,LMCI) 的分类精度和效率.
• 在二进制,3类和4类分类场景中评估框架的性能.

主要方法:

• 开发了一个集成的深度学习框架,将卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 网络结合起来.
• 从fMRI数据中自主提取卷内和卷间的特征.
• 用LSTM有效地选择重要的特征进行分类,解决手工制作特征的局限性.

主要成果:

• 拟议的CNN-LSTM框架在分类阿尔茨海默病和轻度认知障碍方面达到99%的准确性.
• 该框架显示大多数分类任务的曲线下面的平均面积为100%.
• 深度学习方法有效地从fMRI数据中学习疾病分类的复杂模式.

结论:

• 综合CNN-LSTM框架为早期发现和分类阿尔茨海默病和轻度认知障碍提供了强大而有效的方法.
• 深度学习模型可以自主学习fMRI的关键特征, 优于传统的手工特征方法.
• 这一框架在诊断神经退行性疾病方面具有很大的临床应用潜力.