May, 2024

利用机器学习解码认知健康：针对显著记忆问题的全面评估诊断

PDF
TL;DR在这个研究中，通过对随机神经网络（RNNs）和基于超平面的分类器（HbCs）家族的机器学习模型进行全面评估，以探究 SMC 诊断方法。该研究利用 ADNI2 数据集中的 SMC 患者和健康老年人的磁共振成像扫描，从灰质、白质、Jacobian 行列式和皮层厚度的测量中提取丰富的特征。通过特征选择和模型选择，得出了在 SMC 识别方面表现最佳的分类器，并且统计分析的结果加强了该方法的可靠性。该研究指出了该框架在自动和准确评估 SMC 方面的适用性。
significant memory concernsmc diagnosismachine learning modelsalzheimer's disease neuroimaging initiative 2feature selection
发现论文，激发创造
  • 海马形态特征的多维分类区分阿尔茨海默病、轻度认知障碍和正常衰老

    本文提出一种使用多维分类和支持向量机基于海马形状特征来自动区分老年控制组、痴呆症 (AD) 以及轻度认知障碍 (MCI) 患者的新方法，并与海马体积测量和其他 SVM 整脑分类方法进行比较。结果表明，该方法的分类性能优于海马体积测量，并可作为帮助诊断 AD 的有用工具。

    Jul, 2017

  • 融合的卷积神经网络和长短期记忆模型用于从 MRI 扫描中改进阿尔茨海默病的诊断

    该研究旨在提出一种混合模型，将卷积神经网络模型的特征提取能力与长短期记忆模型的检测能力结合起来，通过应用转移学习中的 VGG16 从 MRI 图像中提取特征，并使用软最大函数对完全连接层的输出层进行分类，成功地检测出阿尔茨海默病，并取得了 98.8% 的准确率，100% 的敏感性和 76% 的特异性。该提出的混合模型在性能上超过了其 CNN 对手，展现出卓越的性能。

    Mar, 2024

  • 结构注重型神经退行性卷积神经网络用于阿尔茨海默病建模与分类

    该研究提出了一种结合了伽玛校正和脑结构专注的神经退化卷积神经网络（SNeurodCNN）的机器学习框架，用于区分早期阿尔茨海默病（AD）和轻度认知障碍（MCI），通过实验证明该模型在诊断及特定脑区变化的准确性、特异性和敏感性方面表现出色，成为早期 AD 诊断的潜在大脑结构变化数字生物标志物。

    Jan, 2024

  • 一种全局特征提取模型，用于利用结构性 MRI 图像有效辅助诊断轻度认知障碍

    利用机器学习计算法，针对阿尔茨海默病 （Alzheimer's disease）采用多模式生物标志物来帮助早期诊断。其中，最近研究的高斯判别分析（GDA）方法用于分类阿尔茨海默病的效果更加有效和准确，特别是对轻度认知障碍的早期诊断具有重要意义。可以通过采取全局特征提取模型，显著提高早期阿尔茨海默病诊断的性能比采用局部特征提取方法更好。

    Dec, 2017

  • 识别早期轻度认知障碍的解剖生物标志物的机器学习方法

    阿尔茨海默病是一种影响老年人认知和运动功能的进展性神经退行性疾病，通过磁共振成像这种易于接触的方法早期检测阿尔茨海默病对于开发有效干预措施至关重要。本研究旨在对选择基于磁共振成像的生物标志物和将个体区分为健康对照和表现出 5 年内轻度认知损伤的不稳定对照的机器学习技术进行全面分析。该研究利用阿尔茨海默病神经信息学计划（ADNI）和开放获取系列成像研究 3（OASIS-3）的磁共振成像数据，主要关注健康对照和不稳定对照参与者。结果显示高斯朴素贝叶斯和 RusBoost 分类器在 ADNI 数据集上表现最佳，准确率分别达到 76.46% 和 72.48%。对于 OASIS-3 数据集，核朴素贝叶斯和 RusBoost 在 64.66% 至 75.71% 的范围内获得准确率，而在年龄匹配的数据集中进一步提高。计算得出早期认知衰退期间颞内侧皮层、海马体、侧脑室和外侧眶额叶等脑区受到显著影响。尽管存在样本规模较小等限制，本研究的数据协调方法增强了生物标志物选择的稳健性，预示着这种半自动机器学习工作流程在使用磁共振成像进行早期阿尔茨海默病检测方面的潜力。

    May, 2024

  • 用于解码阿尔茨海默病的可解释的多模态神经影像学 - 基因组学生成框架

    阿尔茨海默病（AD）是认知能力逐渐下降的最常见的痴呆形式之一。本研究采用结构和功能性 MRI 探究了疾病引起的灰质和功能网络连接变化，并引入基因 SNP 作为第三个通道。我们提出了一种基于深度学习的分类框架，使用 Cycle GAN 生成模块来填补潜在空间中的缺失数据。通过整合梯度的可解释 AI 方法，提取了输入特征的相关性，增强了对学习表示的理解。实验结果表明，我们的模型能够在 CN/AD 分类中达到 SOA，平均测试准确率为 0.926±0.02。对于 MCI 任务，使用预训练模型进行 CN/AD 预测的平均准确率为 0.711±0.01。解释性分析揭示了与 AD 相关的皮层和皮下脑区的重要灰质调节，并确定了感觉运动和视觉静息态网络连接的损伤以及与淀粉样蛋白和胆固醇形成和清除调控相关的生物过程的 SNP 突变作为性能的贡献因素。总体而言，我们的综合深度学习方法在 AD 检测和 MCI 预测方面显示出潜力，同时为重要的生物学洞察提供了新的见解。

    Jun, 2024

  • 利用机器学习方法识别阿尔茨海默病痴呆程度

    采用 RF、SVM 和 CNN 算法，并利用分水岭分割从 MRI 图像中提取特征，我们提出了一种对痴呆的四个阶段进行分类的方法。结果显示，具有分水岭特征的 SVM 具有 96.25% 的令人印象深刻的准确率，超过其他分类方法。该方法在 ADNI 数据集上评估，并观察到分水岭分割的引入有助于模型的改进性能。

    Nov, 2023

  • 研究机器学习方法在预测早期阶段的痴呆病稳定性

    本文研究了机器学习算法在预测痴呆症中的稳定性，并发现支持向量机和朴素贝叶斯算法是最稳定的算法，在使用信息增益方法进行特征选择时比主成分分析更有效。

    Sep, 2022

  • 阿尔茨海默病的磁共振成像分类方法：基于深度学习和元学习模型

    通过使用深度学习技术，特别是基于最先进的卷积神经网络（CNNs），对磁共振成像（MRI）数据进行分类，以便识别阿尔茨海默病（AD），该研究报告了采用多个 CNN 模型的集成方法来提高检测的查全率和准确性，其中多数投票法表现得更好。我们提出的方法在测试中获得了 90% 的准确率、0.90 的精确度和 0.89 的召回率。未来可以扩展该研究以纳入其他类型的医学数据，包括信号、图像和其他数据，使用其他分类器、神经网络和人工智能技术以提高阿尔茨海默病的检测。

    May, 2024

  • 基于机器学习的阿尔茨海默病智能诊断

    该研究基于阿尔茨海默病神经影像计划（ADNI）数据集，旨在探讨阿尔茨海默病的早期检测和疾病进展。通过创新的数据预处理策略，包括使用随机森林算法填补缺失数据，处理异常值和无效数据，从而充分挖掘和利用有限的数据资源。通过 Spearman 相关系数分析，我们确定了一些与 AD 诊断强相关的特征。我们构建并测试了三个机器学习模型：随机森林、XGBoost 和支持向量机（SVM）。其中，XGBoost 模型在诊断性能方面表现最佳，准确率达到 91%。总体而言，该研究成功克服了缺失数据的挑战，并为阿尔茨海默病的早期检测提供了有价值的见解，展示了其独特的研究价值和实际意义。

    Feb, 2024