基于网络的人工智能驱动的框架将多模式数据与CNN和LLM相结合,用于对帕金森病的诊断

科学领域:

• 神经科学和人工智能 人工智能
• 医学成像和诊断 医学成像和诊断
• 生物标志物发现发现

背景情况:

• 帕金森病 (PD) 诊断是具有挑战性的,因为它的进展性质和各种症状.
• 目前的诊断方法缺乏敏感性,可扩展性和可解释性.
• 延迟诊断阻碍了有效的治疗和患者管理.

研究的目的:

• 开发一个新的AI驱动的框架,用于准确和早期的帕金森病诊断.
• 整合多模式数据,包括MRI,SPECT,CSF生物标志物和临床评估.
• 通过个性化报告来提高诊断透明度和临床医生的可用性.

主要方法:

• 使用了帕金森氏症进展标志物倡议 (PPMI) 数据集.
• 综合结构性MRI,SPECT,CSF生物标志物和临床数据.
• 采用1D卷积神经网络 (1D-CNN),对121个工程特征进行训练.
• 微调一个大型语言模型 (LLM) 以提供个性化的诊断摘要和治疗建议.
• 开发了一个基于云的界面,用于实时分析和咨询.

主要成果:

• 从21个临床相关特征中选择了14个关键生物标志物.
• 通过1D-CNN分类器实现了93.7%的诊断准确率.
• 精心调整的LLM生成了语义上对准的患者特定报告.
• 云端界面可以实现自动推断和聊天机器人咨询.

结论:

• 人工智能框架显示了帕金森病的高诊断性能.
• 多模式数据融合和深度学习显著提高了诊断准确度.
• 法律法学士综合提高了个性化患者护理的解释性和临床实用性.
• 该系统有可能在PD诊断和决策支持中实现现实世界的临床部署.