通过集成多模态学习方法实现阿尔茨海默病的鲁棒早期检测
原文中文，约600字，阅读约需2分钟。发表于：。本研究针对传统单一诊断方法在阿尔茨海默病（AD）早期诊断中的不足，提出了一种集成临床、认知、神经影像和EEG数据的高级多模态分类模型。该模型通过特征标记器与时序模块有效捕捉EEG数据中的复杂时序模式，显著提升了对AD、轻度认知障碍和正常认知的区分能力，为早期诊断和干预提供了支持。
阿尔茨海默病和睡眠障碍之间存在紧密联系，睡眠模式的中断经常在轻度认知障碍（MCI）和早期AD发作之前出现。本研究探讨利用通过多导睡眠监测仪（PSG）获得的与睡眠相关的脑电图（EEG）信号用于早期AD检测的潜力。实验方法包括测试和比较半监督深度学习技术用于EEG信号分类，结果表明，SMATE在利用有限标记数据方面取得了稳定的度量结果，并在监督形式下达到了90%的准确率。这些发现强调了半监督模型在早期AD检测中的潜力，特别是在应对标记数据稀缺性方面。
