用于阿尔茨海默病诊断和早期检测的类别平衡多样性多模态集成方法
计算机视觉与模式识别
2026-02-16 v1
摘要
阿尔茨海默病（AD）因其日益增长的患病率和相关的社会成本，对全球健康构成了重大挑战。AD的早期检测和诊断对于延缓疾病进展和改善患者预后至关重要。传统的诊断方法和单模态数据通常难以区分早期AD和轻度认知障碍（MCI）。本研究通过引入一种新方法来解决这些挑战：用于不平衡数据的类别平衡多样性多模态集成（IMBALMED）。IMBALMED整合了来自阿尔茨海默病神经影像学倡议数据库的多模态数据，包括临床评估、神经影像表型、生物样本特征和受试者特征数据。它采用集成分类器模型，每个分类器使用不同的类别平衡技术进行训练，以克服类别不平衡并提高模型准确性。我们在两个诊断任务（二分类和三分类）以及四个二分类早期检测任务（在12、24、36和48个月时）上评估了IMBALMED，并将其性能与最先进的算法和不平衡数据集方法进行了比较。IMBALMED在二分类和三分类任务中均表现出优越的诊断准确性和预测性能，显著改善了48个月时间点的MCI早期检测。该方法显示出改进的分类性能和鲁棒性，为AD的早期检测和管理提供了一个有前景的解决方案。
关键词
引用
@article{arxiv.2410.10374,
title = {Class Balancing Diversity Multimodal Ensemble for Alzheimer's Disease Diagnosis and Early Detection},
author = {Arianna Francesconi and Lazzaro di Biase and Donato Cappetta and Fabio Rebecchi and Paolo Soda and Rosa Sicilia and Valerio Guarrasi},
journal= {arXiv preprint arXiv:2410.10374},
year = {2026}
}