Artificial intelligence-based framework for Alzheimer’s disease diagnosis via video vision transformer
Notice bibliographique
Résumé
Objective: Alzheimer's disease (AD) is a progressive neurodegenerative disorder that leads to cognitive decline and memory impairment, posing a public health concern in aging populations. Early and accurate detection of AD using non-invasive imaging biomarkers remains a critical clinical need for timely intervention and disease management. This study aims to develop an advanced artificial intelligence (AI)-based diagnostic framework, ViTranZheimer, that leverages video vision transformers to analyze magnetic resonance imaging (MRI) and improve the accuracy of AD classification. Methods: This study presents 'ViTranZheimer,' an AD diagnosis approach that leverages video transformers to analyze MRI volumes. Our proposed deep learning framework aims to improve the accuracy and sensitivity of AD diagnosis, equipping clinicians with a tool for early detection and intervention. We exploit the temporal dependencies between slices by treating the MRI volumes as videos to capture intricate structural relationships. We evaluated ViTranZheimer on the publicly available Alzheimer's Disease Neuroimaging Initiative (ADNI): Complete 3Yr 3T data collection, which includes 351 T1-weighted MRI scans categorized into normal controls (NC = 129), mild cognitive impairment (MCI = 145), and AD = 77 groups. Each MRI volume was preprocessed using spatial normalization and skull stripping, then modeled as a video sequence for input to a Video Vision Transformer (ViViT). The model was trained from scratch using 10-fold stratified cross-validation and optimized with the Adam optimizer over 500 epochs. Classification performance was evaluated using accuracy, precision, recall, F1-score, and area under the ROC curve (AUC). Statistical comparison was conducted using the Wilcoxon signed-rank test against two baseline models: a convolutional neural network with bidirectional long short-term memory (CNN-BiLSTM), and a vision transformer with bidirectional long short-term memory (ViT-BiLSTM). Results: < 0.05). Conclusion: ViTranZheimer demonstrates strong potential for accurate and early Alzheimer's disease diagnosis using non-invasive MRI data. By leveraging video vision transformers, the model provides a promising tool for clinical decision support in neurodegenerative disease detection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».