使用混合深度学习方法进行阿尔茨海默氏症疾病分类,采用多层U-net细分和XAI驱动分析

科学领域:

• 人工智能在医学中的应用
• 神经科学是一个神经科学.
• 医学成像分析 医学成像分析

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,严重影响认知功能.
• 早期和准确的阿尔茨海默病诊断对于有效的治疗干预和患者管理至关重要.
• 人工智能 (AI),特别是深度学习,在提高AD分类准确性方面显示出重大前景.

研究的目的:

• 提出和评估一种新的深度学习框架,用于对阿尔茨海默病 (AD),轻度认知障碍 (MCI) 和认知正常 (CN) 个体进行分类.
• 通过先进的细分和混合分类技术来提高诊断准确度.
• 使用可解释AI (XAI) 提高模型解释性和临床可信度.

主要方法:

• 采用了四个阶段的深度学习方法,从全脑和灰质细分开始,使用多层U-Net.
• 使用混合方法进行特征提取和分类,将多尺度效率网与支持矢量机器 (SVM) 结合起来.
• 可解释的人工智能 (XAI) 技术,特别是 Saliency Map 定量分析,被整合为模型的可解释性.

主要成果:

• 拟议的深度学习模型在三个类别中实现了高分类性能:阿尔茨海默病 (AD),轻度认知障碍 (MCI) 和认知正常 (CN).
• 总体精度达到97.78%±0.54%,精确度,回忆和所有类别的F1分数都具有精确的指标.
• 结果表明该模型在准确区分AD,MCI和CN阶段方面的有效性.

结论:

• 开发的深度学习框架,将细分和混合分类与XAI集成在一起,显示出对精确的阿尔茨海默病诊断有很大的潜力.
• 高性能指标强调了拟议方法在分类阿尔茨海默病不同阶段的能力.
• 未来的研究将专注于对公共数据集的模型进行验证,并纳入先进的XAI以提高诊断可靠性.