一个优化的框架,用于帕金森病的分类,使用多式联络神经成像数据与集体基于和数据融合网络的数据

科学领域:

• 神经成像是一种神经成像.
• 人工智能在医学中的应用
• 神经学 神经学

背景情况:

• 帕金森病 (PD) 是一种影响运动和非运动功能的神经退行性疾病,主要影响老年人.
• 早期无症状阶段的prodromal PD提供了一个关键的干预窗口,以保持患者的生活质量.
• 虽然T1加权的MRI是常见的,但T2-FLAIRMRI在检测PD诊断白质病变方面的实用性仍未得到充分探索.

研究的目的:

• 开发和评估新的深度学习和机器学习网络,以早期准确地对帕金森病进行分类.
• 利用多模式数据,包括T1加权MRI,T2-FLAIRMRI和蒙特利尔认知评估 (MoCA) 成绩,以提高诊断性能.
• 为了研究集合模型和多式联络融合网络在PD检测中的有效性.

主要方法:

• 提出了两个不同的网络:一个组合模型,结合MobileNet,EfficientNet和定制的CNN,以及一个多式联接网络,将MRI数据与使用CNN,MLP和注意力模块的MoCA分数集成在一起.
• 数据集来源于帕金森氏症进展标志物倡议 (PPMI) 研究.
• 使用Grad-CAM分析可可视化对模型诊断决策至关重要的大脑区域,确保临床解释性.

主要成果:

• 整体模型实现了高性能,97.1%的精度,96.2%的灵敏度,96.4%的精度,96.3%的F1得分,97.4%的特异性.
• 多式联机融合网络表现出卓越的结果,达到97.9%的精度,97.1%的灵敏度,97.6%的精度,97.3%的F1分数和98%的特异性.
• 这两种模型在各种评估指标上都表现出强的表现,突出了它们在早期发现PD方面的潜力.

结论:

• 拟议的深度学习和机器学习模型,特别是多式联络融合网络,显示了对帕金森病的准确和早期诊断的重大前景.
• 整合T2-FLAIRMRI与T1加权MRI和认知分数一起,提高了分类性能.
• 该研究强调了人工智能驱动的诊断工具在神经退行性疾病研究中的临床相关性和透明度.