AlexNet-ETC混合模型
三分类早诊准确率95.32%
针对阿尔茨海默病早期多分类，该模型在OASIS数据集上达到95.32%的准确率，优于现有方法的融合策略。
Ullah, Farhat · 陈欣 · 曾德泽 · Mehmood, Atif · Khan, Rizwan · Ibrahim, Mostafa Mahmoud
Brain Research 2024
参数信息
- 准确率（OASIS数据集）
- 95.32 %
- 准确率（EEG数据集）
- 97.71 %
- 准确率（ADNI MRI数据集）
- 92.59 %
技术优势
准确率够高
在OASIS数据集上准确率达到95.32%，超过现有最优方法，能够可靠地辅助早期诊断。
多分类早诊
不再局限于二分类问题，而是在三个多分类数据集上评估早期阶段，更接近临床实际需求。
应用场景
- AD早期多分类诊断：在症状明显前进行多分类判断，帮助医生尽早干预。
- MRI图像分类：对MRI脑部影像自动分类，辅助医生快速识别病变。
- EEG信号分类：分析EEG信号以区分患者和健康对照，提供低成本的筛查手段。
- 神经退行性疾病辅助诊断：为神经退行性疾病提供定量辅助诊断，减少主观判断差异。
- 机器学习临床决策支持：将机器学习模型嵌入临床流程，为医生提供第二意见。