一个基于人工智能的框架用于阿尔茨海默病的诊断从磁共振成像通过视频视觉变压器通过磁共振成像卷

科学领域:

• 人工智能在医学中的应用
• 神经成像分析分析 神经成像分析
• 为医疗保健提供深度学习.

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,导致认知能力下降,对老年人口产生重大影响.
• 早期和准确的AD诊断对于及时干预和有效的疾病管理至关重要.
• 非侵入性成像生物标志物,特别是MRI,对于检测AD至关重要.

研究的目的:

• 开发一个先进的AI诊断框架,ViTranZheimer,用于改进阿尔茨海默病的分类.
• 为了利用视频视觉转换器来分析磁共振成像 (MRI) 卷.
• 通过深度学习提高AD检测的准确性和灵敏性.

主要方法:

• ViTranZheimer将MRI卷处理为视频序列,以捕捉片之间时间依赖.
• 该模型使用了视频视觉转换器 (ViViT) 架构,从ADNI数据集 (351次MRI扫描) 上从头开始训练.
• 使用准确度,精度,回忆,F1得分和AUC来评估性能,并与基线模型 (CNN-BiLSTM,ViT-BiLSTM) 进行统计比较.

主要成果:

• ViTranZheimer实现了98.6%的诊断准确度,超过了基线模型 (CNN-BiLSTM达到96.5%,ViT-BiLSTM达到97.5%).
• 该模型表现出卓越的精度,回忆和F1得分 (全部为0.97),ROC曲线下的面积 (AUC) 为0.99.
• 统计分析证实了显著的性能改善 (P < 0.05).

结论:

• ViTranZheimer显示了通过非侵入性MRI准确和早期诊断阿尔茨海默病的显著潜力.
• 使用视频视觉转换器为分析复杂的神经成像数据提供了一种新的方法.
• 这种人工智能框架可以作为一种有前途的工具,用于用于神经退行性疾病检测的临床决策支持.