用MRI,EEG和SNP数据对阿尔茨海默病和帕金森病的注意力增强多式分类与健康对照进行了分类

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 像帕金森氏症 (PD) 和阿尔茨海默氏症 (AD) 这样的神经退行性疾病由于症状的晚期表现和重叠而存在诊断挑战.
• 准确的早期检测对于及时干预和管理这些渐进性疾病至关重要.

研究的目的:

• 与健康对照 (HC) 相比,开发和验证一个多模式分类框架,以准确诊断AD和PD.
• 专注于识别PD和AD的前阶段,其特点是微妙的运动或认知障碍.

主要方法:

• 一个新的多式模式框架,集成单核酸多态 (SNP) 数据,结构磁共振成像 (MRI) 和功能电脑图 (EEG).
• 整合了一个不确定性估计模块和一个跨模式的注意力机制,以提高准确性和可解释性.
• 利用了一个大型数据集,包括2500张MRI扫描,1500张EEG记录和来自OpenNeuro,PPMI和英国生物库的1000名受试者的SNP数据.

主要成果:

• 获得的平均分类准确率为AD的95.6%和PD的94.8%.
• 与现有的单模和多模方法相比,在统计学上显著提高了6-12%的性能.
• 废弃研究证实了注意力机制和多式联络数据融合的关键贡献.

结论:

• 开发的可解释的人工智能框架能够对神经退行性疾病进行强大而准确的诊断,特别是在早期或前期阶段.
• 量化不确定性提高了模型的解释性,为潜在的临床应用铺平了道路.
• 稳定的多模式融合与可解释的AI相结合,为神经退行性疾病诊断提供了一个有前途的方法.