本文综述了科学根据X编辑过程政策编辑器强调了以下属性同时确保内容的可信度:

核查事实的

可信的源

校对

机器学习模型从视网膜扫描识别轻度认知障碍

机器学习模型从视网膜扫描识别轻度认知障碍
插图的结构分化的卷积神经网络(CNN)的眼睛从认知健康对照组受试者患有轻度认知障碍。CNN使用卷积编码器的图像输入(GC-IPL和八面体),图像形态具体功能转换(f八面体和fGC-IPL),预测所有形式(FC八面体,俱乐部GC-IPL和足球俱乐部其他)的输出使用平均聚合处理,然后通过乙状结肠激活函数产生一个模型得分。信贷:眼科学(2023)。DOI: 10.1016 / j.xops.2023.100355

机器学习模型由杜克大学健康研究人员可以区分认知正常和轻度认知障碍使用眼睛的视网膜图像。

模型分析和相关的数据和识别特定的特性来识别个人。发表在杂志上眼科学,模型展示了潜在的非侵入性和廉价的方法识别的早期征兆可能发展为老年痴呆症。

“这是特别令人兴奋的工作,因为我们以前无法区分轻度认知障碍和认知正常在以前的模式,”资深作者Sharon Fekrat说,医学博士教授在杜克的眼科学和神经学部门,和外科学系副教授。“这项工作带给我们更近一步检测认知障碍早期阿尔茨海默氏痴呆进展。”

Fekrat之前和他的同事们开发出了一个模型,用视网膜扫描和其他数据成功地识别已知的阿尔茨海默氏症患者的诊断。的scans-based(10月)和10月血管造影术(八面体)检测到的感觉神经的视网膜结构变化及其微脉管系统在阿尔茨海默氏症患者。

当前的研究展开工作,利用机器学习技术来检测轻度认知障碍,这通常是阿尔茨海默氏症的前兆。10月新模式识别中的特定功能和八面体图像信号的存在认知障碍,随着病人资料如年龄,性别,,多年的教育和定量数据从图像本身。

研究人员报道,模型视网膜图像和图像分析区分正常的人的认知与轻度认知障碍的诊断敏感性为79%,特异性为83%。

“这是第一个研究使用视网膜10月和八面体图像区分轻度认知障碍患者与正常的个人认知,“明智地co-first作者c·埃利斯说,医学博士眼科学系的助理教授。

“非侵入性和便宜意味着可靠地识别这些患者是越来越重要,尤其是在阿尔茨海默氏症的新疗法可能变得可用,“明智地说。

“大脑视网膜是一个窗口,和机器学习算法,利用非侵入性和具有成本效益的视网膜成像评估神经健康可以是一个强大的工具来筛选病人,“位联席作者亚历山大•理查森说学生的眼睛多通道成像在杜克大学神经退行性疾病的实验室。

更多信息:c·埃利斯明智et al,卷积神经网络采用多通道视网膜成像从认知正常分化的轻度认知障碍,眼科学(2023)。DOI: 10.1016 / j.xops.2023.100355

引用:机器学习模型识别轻度认知障碍从视网膜扫描检索(2023年7月10日)2023年7月15日从//www.pyrotek-europe.com/news/2023-07-machine-mild-cognitive-impairment-retinal.html
本文档版权。除了任何公平交易私人学习或研究的目的,没有书面许可,不得部分复制。内容只提供信息的目的。

进一步探索

人工智能模型使用视网膜扫描预测阿尔茨海默氏症

42股票

反馈给编辑