来自图像转换器的可解释的双向编码器表示用于预测阿尔茨海默病的疾病

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
• 机器学习用于诊断.

背景情况:

• 阿尔茨海默病 (AD) 导致神经系统逐渐衰退,影响患者和护理人员的认知,行为和生活质量.
• 早期和精确的AD诊断对于实施有效的干预策略至关重要.
• 人工智能 (AI) 在医学成像中显示出显著的希望,用于AD检测和分类.

研究的目的:

• 开发和评估一个可解释的基于变压器的AI框架,用于自动化AD阶段分类.
• 利用图像转换器 (BEiT) 的双向编码器表示来分析磁共振成像 (MRI) 脑部扫描.
• 通过先进的机器学习技术,提高AD诊断的精度.

主要方法:

• 利用了8511个MRI脑图像的数据集,分为三个诊断组:轻度,中度和没有损伤.
• 在拟议的人工智能框架内使用BEiT作为特征提取器.
• 解决了使用Wasserstein生成对抗网络的类不平衡,用于合成MRI图像生成和数据增强的梯度惩罚.

主要成果:

• 取得了96%的卓越分类准确率.
• 报告的高F1分数:0.94 (轻度AD),1.00 (中度AD) 和0.95 (没有AD).
• 表现出强的表现,平均绝对误差为0.0727,科恩的卡帕为0.9451,马修斯相关系数为0.9455,哈明损失为0.0365.

结论:

• 开发的可解释的基于变压器的框架在MRI扫描中对AD阶段的分类方面表现出高的有效性.
• 人工智能模型的表现表明它作为早期和准确的阿尔茨海默病诊断的有价值工具的潜力.
• 该研究强调了先进的人工智能技术,如BEiT在神经成像中对神经退行性疾病评估的重要作用.