轻量级深度学习模型与可解释的AI用于从标准MRI扫描中检测早期阿尔茨海默氏症

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 痴呆症,包括阿尔茨海默氏症 (AD),影响全球数百万人,在资源有限的环境中,诊断具有挑战性.
• 目前阿尔茨海默病的诊断方法通常依赖于昂贵的神经成像和专家专业知识,阻碍了早期检测.
• 早期诊断AD对于管理症状和减缓疾病进展至关重要.

研究的目的:

• 开发和评估计算效率高的深度学习模型,用于早期发现阿尔茨海默病.
• 为应对临床实践中易于及时诊断AD的挑战.
• 为了提高AI模型在神经成像中的可解释性,以获得临床信任.

主要方法:

• 使用了轻量级的深度学习模型,MobileNetV2和EfficientNetV2B0.0.
• 在2D结构磁共振成像 (MRI) 片上训练模型,用于早期AD检测.
• 应用可解释性方法 (Grad-CAM++,Guided Grad-CAM++) 用于模型的可解释性.

主要成果:

• EfficientNetV2B0模型在区分认知正常 (CN),早期轻度认知障碍 (EMCI) 和晚期轻度认知障碍 (LMCI) 方面实现了88.0%的平均准确率.
• 该模型在多类分类任务中表现出强的表现.
• 可解释性方法成功地可视化了影响模型预测的解剖区域.

结论:

• 开发了一个可访问和可解释的神经成像工具,用于早期AD诊断.
• 拟议的深度学习模型可以将专家级的诊断能力扩展到常规的临床环境.
• 这种方法促进了早期干预和阿尔茨海默病的管理.