一个优化的混合深度学习模型来检测阿尔茨海默病
A Sundar Raj1, C Gunasundari2, S Senthilkumar3
1Department of Biomedical Engineering, E.G.S. Pillay Engineering College, Nagapattinam, Tamilnadu, 611002, India. drasr18@gmail.com.
Scientific reports
|September 30, 2025
概括
这项研究引入了一种先进的深度学习模型,用于早期检测阿尔茨海默病,达到96.6%的准确性. 这种新的方法提高了轻度认知障碍 (MCI) 的诊断,以便及时进行干预.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 阿尔茨海默病 (AD) 诊断需要早期检测才能有效治疗,但传统方法难以识别轻度认知障碍 (MCI) 等早期阶段.
- 在特征提取和分类方面的局限性阻碍了准确的早期AD检测.
研究的目的:
- 开发和评估一个优化的混合深度学习模型,以改善阿尔茨海默病的检测.
- 提高AD早期检测的准确性和性能,特别是在MCI阶段.
主要方法:
- 开发了一个混合深度学习模型,将Inception v3用于特征提取和ResNet 50用于分类.
- 使用自适应骑手优化 (ARO) 算法优化了网络参数.
- 该模型在基准痴呆症数据集上进行了评估.
主要成果:
- 拟议的模型实现了96.6%的高精度.
- 该模型表现出极好的性能,精度为98%,回忆率为97%,F1得分为98%.
- 结果超过了现有的最先进的技术.
结论:
- 优化的混合深度学习模型显示了对精确和早期阿尔茨海默病检测的巨大潜力.
- 这种方法为改善轻度认知障碍 (MCI) 的诊断提供了一个有希望的工具.
- 该模型的卓越性能表明,在神经退行性疾病诊断方面取得了宝贵的进步.
