早期阿尔茨海尔病检测中的深度学习：分类、分割与特征提取方法综合 surveys
机器学习
2025-04-22 v4
摘要
阿尔茨海尔病是一种致命的神经退行性疾病，损害重要的记忆和脑功能。阿尔茨海尔病导致脑部萎缩，最终引发痴呆。痴呆诊断通常在临床首发征象出现后 2.8 到 4.4 年才被确诊。计算机与信息技术的发展推动了众多研究阿尔茨海尔病的技术方法。早期识别和治疗至关重要，因为早发性痴呆发生在 65 岁以下，而晚发性痴呆则发生在此年龄之后。根据 2015 年世界阿尔茨海尔病报告，全球约有 4680 万人患有痴呆症，预计到 2030 年将增至 7470 万人，2050 年将达 1.315 亿人。深度学习通过识别高维数据的复杂结构，超越了传统机器学习方法。卷积神经网络（CNN）和循环神经网络（RNN）在阿尔茨海尔病分类中达到最高 96% 准确率，在轻度认知障碍（MCI）转化预测中达到 84.2% 准确率。目前文献中关于应用机器学习预测痴呆的综述鲜有报道，缺乏系统性观察。然而，本综述聚焦于特定数据通道的痴呆检测。本研究评估了用于早期阿尔茨海尔病检测的深度学习算法，采用公开数据集进行特征分割和分类方法。本文还识别了检测阿尔茨海尔病的研究空白和局限，为未来研究提供指导。
引用
@article{arxiv.2501.15293,
title = {Deep Learning in Early Alzheimer's disease's Detection: A Comprehensive Survey of Classification, Segmentation, and Feature Extraction Methods},
author = {Rubab Hafeez and Sadia Waheed and Syeda Aleena Naqvi and Fahad Maqbool and Amna Sarwar and Sajjad Saleem and Muhammad Imran Sharif and Kamran Siddique and Zahid Akhtar},
journal= {arXiv preprint arXiv:2501.15293},
year = {2025}
}
备注
22 pages