Diagnostic et prédiction de la maladie d'Alzheimer via un réseau résiduel à module d'attention par bloc convolutionnel de haut niveauDiagnosis and Prediction of Alzheimer's Disease via a High-Level Convolutional Block Attention Module-Residual Network.
- Un modèle High-level CBAM-ResNet34 est proposé pour le diagnostic de la maladie d'Alzheimer à partir d'IRM structurelles.
- L'introduction du module d'attention CBAM au niveau des caractéristiques hautes améliore la discrimination des régions cérébrales pertinentes.
- Sur ADNI, le modèle obtient une AUC de 0,8757 et une précision de 0,8160, surpassant les modèles comparés.
L'article présente un modèle d'apprentissage profond pour le diagnostic de la MA par IRM, avec des performances prometteuses sur deux jeux de données. Il est pertinent pour la neuro-imagerie diagnostique, mais reste une contribution technique avec une seule modalité et une validation limitée, ce qui le rend modérément prioritaire pour une application clinique immédiate.
L'étude repose uniquement sur l'IRM pondérée T1, sans données multimodales. Les performances peuvent varier selon les populations et les protocoles d'acquisition IRM. La validation est limitée à deux bases de données (ADNI et OASIS 1) ; des études sur des cohortes plus diverses sont nécessaires. L'impact de facteurs confondants (âge, sexe, comorbidités) n'est pas discuté. L'utilité clinique réelle du modèle reste à évaluer dans des conditions pratiques.
Cette étude propose un modèle de diagnostic de la maladie d'Alzheimer (MA) basé sur l'IRM, nommé High-level CBAM-ResNet34. Après prétraitement des IRM structurelles T1 et conversion en coupes 2D, un réseau ResNet34 est modifié en intégrant un module d'attention par bloc convolutionnel (CBAM) dans les couches hautes pour améliorer la représentation des caractéristiques discriminantes. Un paramètre de pondération de la classe négative est ajusté empiriquement. Sur le jeu de données ADNI, le modèle atteint une AUC de 0,8757 et une précision de 0,8160, surpassant plusieurs modèles de référence. La validation externe sur OASIS 1 confirme sa capacité de généralisation. Le modèle offre une référence utile pour l'analyse neuroimaging assistée par ordinateur.
Un modèle High-level CBAM-ResNet34 est proposé pour le diagnostic de la maladie d'Alzheimer à partir d'IRM structurelles. L'introduction du module d'attention CBAM au niveau des caractéristiques hautes améliore la discrimination des régions cérébrales pertinentes. Sur ADNI, le modèle obtient une AUC de 0,8757 et une précision de 0,8160, surpassant les modèles comparés. La validation externe sur OASIS 1 démontre la généralisation du modèle. Cette approche constitue une référence pour l'analyse neuroimaging assistée par ordinateur dans le diagnostic de la MA.
Le modèle pourrait assister les cliniciens dans le diagnostic automatisé de la maladie d'Alzheimer à partir d'IRM de routine. L'amélioration de la précision peut favoriser un dépistage précoce et un suivi de la progression de la maladie. Le mécanisme d'attention améliore l'interprétabilité en mettant en évidence les régions cérébrales clés. Le cadre pourrait être intégré dans les flux de travail cliniques pour un diagnostic assisté par ordinateur.
Modéré