使用VGG19和XGBoost推进阿尔茨海默病诊断:一种基于神经成像的方法

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 神经科学和计算生物学

背景情况:

• 阿尔茨海默氏症 (AD) 影响全球超过5500万,构成重大公共卫生挑战.
• 目前对AD的诊断方法缺乏准确性和早期的有效性,因为依赖主观评估和有限的生物标志物.
• 客观的,自动化的诊断工具对于提高早期AD检测的精度至关重要,特别是使用神经影像.

研究的目的:

• 为阿尔茨海默病 (AD) 开发和验证一种新的,自动化的诊断框架.
• 通过将深度学习特征提取与使用神经成像数据进行整体分类来提高诊断精度.
• 为了应对阶级不平衡和过度适应在阿尔茨海默病诊断中的挑战.

主要方法:

• 开发了一种混合深度学习模型,将微调的VGG19卷积神经网络 (CNN) 与极端梯度增强 (XGBoost) 分类器相结合.
• 该模型在OASISMRI数据集上进行了训练和验证,并采用了数据增强技术来改进概括性.
• 使用VGG19进行特征提取,然后使用XGBoost进行分类,并结合了类权重和自适应学习策略.

主要成果:

• 在平衡的OASIS数据集上,VGG19-XGBoost模型实现了高测试准确率99.6%.
• 该模型展示了优秀的性能指标,包括所有AD阶段的精度 (1.00),回忆 (0.99) 和F1得分 (0.99).
• 接收器操作特征 (ROC) 曲线证实了强大的区分能力和在分类阿尔茨海默病不同阶段的稳定性.

结论:

• 混合VGG19-XGBoost模型在阿尔茨海默病的传统诊断方法上提供了显著的进步.
• 这种自动化工具有效地处理类不平衡和过拟合,为早期AD诊断中的临床决策支持提供稳定的性能.
• 这些发现强调了将深度学习和整体方法整合在一起,以利用神经成像进行强大而准确的AD检测的潜力.