基于眼动数据和视觉记忆任务图像内容的轻度认知障碍诊断深度学习
人机交互
2025-08-28 v2 计算机视觉与模式识别
摘要
全球痴呆的患病率预计在2050年翻倍，凸显了可扩展诊断工具的紧迫需求。本研究利用与记忆过程相关的眼动数据，对数字认知任务进行建模，以区分健康对照组 (HC)和轻度认知障碍 (MCI)患者。该研究训练了一个基于VTNet的深度学习模型，使用来自44名参与者(24名MCI患者，20名健康对照)的眼动数据训练，该模型利用了视觉记忆任务中提取的时间序列和空间数据。模型经过修改，可集成扫视路径、热图和图像内容。这些修改还使我们能够测试图像分辨率和任务表现等参数，分析其对模型性能的影响。最佳模型采用分辨率热图，实现68%的灵敏度和76%的特异度。尽管在数据集大小更小、任务时长更短或任务标准化程度较低的更具挑战性条件下运行，模型的性能仍与使用相同方法的阿尔茨海默病研究相当(70%灵敏度和73%特异度)。这些发现为开发自动化MCI诊断工具贡献了重要参考价值。未来的工作应聚焦于细化模型并采用标准化的长期视觉记忆任务。
引用
@article{arxiv.2506.23016,
title = {Deep Learning in Mild Cognitive Impairment Diagnosis using Eye Movements and Image Content in Visual Memory Tasks},
author = {Tomás Silva Santos Rocha and Anastasiia Mikhailova and Moreno I. Coco and José Santos-Victor},
journal= {arXiv preprint arXiv:2506.23016},
year = {2025}
}
备注
13 pages, 5 figures