DOI: https://doi.org/10.1038/s41598-025-14169-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41028094
تاريخ النشر: 2025-09-30
المؤلف: A. Sundar Raj وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم البحث نموذج تعلم عميق هجين محسن للكشف المبكر عن مرض الزهايمر، مع معالجة قيود الطرق التقليدية في تحديد ضعف الإدراك المعتدل (MCI). يستخدم النموذج خوارزمية Inception v3 لاستخراج الميزات وخوارزمية ResNet 50 للتصنيف، معززة بخوارزمية تحسين رايدر التكيفية (ARO) لضبط المعلمات. تشير النتائج التجريبية على مجموعة بيانات مرجعية للزهايمر إلى أن النموذج يحقق دقة بنسبة 96.6%، دقة بنسبة 98%، استرجاع بنسبة 97%، ودرجة F1 بنسبة 98%، متجاوزًا التقنيات الحالية الرائدة.
في الختام، يظهر النموذج الهجين المقترح تحسينات كبيرة مقارنة بالطرق التقليدية للتعلم العميق، بما في ذلك CNN وهياكل هجينة متنوعة، مع مقاييس مثل الدقة (95.65%)، الاسترجاع (96.48%)، الخصوصية (98.24%)، درجة F1 (96.06%)، والدقة (97.88%). على الرغم من هذه التقدمات، لا تزال التحديات مثل المتطلبات الحسابية العالية وتنوع البيانات قائمة. تشمل اتجاهات البحث المستقبلية دمج البيانات متعددة الأنماط (مثل السجلات الجينية والسريرية)، واستكشاف الهياكل المتقدمة مثل نماذج المحولات، وتنفيذ التعلم الفيدرالي لاستخدام البيانات مع الحفاظ على الخصوصية، وتطوير أدوات تشخيصية في الوقت الحقيقي للتطبيقات العملية في البيئات السريرية.
طرق
في هذا القسم، يصف المؤلفون التحقق التجريبي من نموذجهم المقترح لتصنيف مرض الزهايمر، باستخدام مجموعة بيانات مرجعية من كاجل. شمل الإعداد التجريبي خطوات شاملة لمعالجة البيانات مثل إزالة الضوضاء، التطبيع، وزيادة البيانات لتعزيز قدرات تعميم النموذج. تم تقييم الأداء باستخدام الدقة ودرجة F1، حيث حقق النموذج دقة بنسبة 97.88% ودرجة F1 بنسبة 96.06%. كانت كلا المقياسين مصحوبة بفترات ثقة بنسبة 95%، تم حسابها كـ [96.44%، 99.32%] للدقة و [94.11%، 98.01%] لدرجة F1، مما يدل على موثوقية إحصائية قوية.
لتقييم أهمية تحسينات الأداء، تم إجراء اختبار t مزدوج على درجات الدقة من خمس تجارب مستقلة للنموذج المقترح وأفضل نموذج أساسي. أسفرت النتائج عن إحصائية t قدرها 27.57 وقيمة p قدرها 1.03 × 10⁻⁵، مما يدل على أن الفروق في الدقة ذات دلالة إحصائية (p < 0.001). تدعم هذه الأدلة الادعاء بأن نموذج Inception v3 + ResNet-50، المحسن باستخدام تحسين إعادة أخذ العينات التكيفية (ARO)، يتفوق باستمرار على التقنيات الحالية، مما يعزز قوته وقدرته على التعميم في سياق تصنيف مرض الزهايمر.
النتائج
تفصل قسم النتائج تقييم نموذج تعلم عميق هجين مصمم للكشف عن مرض الزهايمر، باستخدام مجموعة بيانات متاحة للجمهور من كاجل تتكون من صور أشعة الرنين المغناطيسي للدماغ مصنفة إلى أربع فئات: غير مصاب بالخرف، مصاب بخرف خفيف جدًا، مصاب بخرف خفيف، ومصاب بخرف معتدل. خضعت مجموعة البيانات لعملية معالجة مسبقة، بما في ذلك إزالة الضوضاء، التطبيع المكاني، وتقنيات زيادة البيانات مثل التدوير والانعكاس، لتعزيز أداء النموذج. يجمع النموذج الهجين بين Inception v3 لاستخراج الميزات وResNet 50 للتصنيف، مستخدمًا خوارزمية تحسين رايدر التكيفية (ARO) لضبط المعلمات. تم تدريب النموذج باستخدام مُحسّن انحدار عشوائي بمعدل تعلم قدره 0.001 على مدى 100 دورة، مع تضمين إيقاف مبكر لتخفيف الإفراط في التكيف.
تم استخدام مقاييس الأداء مثل الدقة، الاسترجاع، الخصوصية، درجة F1، والدقة لتقييم النموذج، مع تحليلات مقارنة ضد النماذج الحالية مثل CNN وVGG-16 وDenseNet. تم تقسيم مجموعة البيانات إلى مجموعات تدريب (80%) واختبار (20%)، مع أخذ عينات مصنفة للحفاظ على توزيع الفئات. من الجدير بالذكر أن النموذج أظهر قدرات تصنيف فعالة، كما يتضح من مصفوفة الالتباس، التي قدمت رؤى حول أداء النموذج عبر الفئات المختلفة. تشير النتائج إلى أن النموذج الهجين المقترح يتفوق على العديد من هياكل التعلم العميق التقليدية، مما يبرز إمكانيته للكشف الدقيق عن مرض الزهايمر.
المناقشة
في مناقشة التقدمات الأخيرة في الكشف عن مرض الزهايمر، يتم تسليط الضوء على منهجيات متنوعة تستخدم تقنيات التعلم الآلي والتعلم العميق. تشمل الأساليب البارزة استخدام الميزات اللغوية لتحديد الأعراض، والتي تواجه تحديات في الدقة، والنماذج التي تستخدم بيانات تصوير الدماغ، مثل أشعة الرنين المغناطيسي وأشعة PET، لتصنيف مراحل الزهايمر. على سبيل المثال، أظهرت الدراسات تحسين دقة التصنيف من خلال دمج تقنيات التحسين، مثل تحسين الذئب الرمادي، ومصنفات التعلم الآلي مثل آلات الدعم الشعاعي (SVM) والشبكات العصبية التلافيفية (CNN). بالإضافة إلى ذلك، أظهرت النماذج الهجينة التي تجمع بين هياكل مختلفة، مثل 3D-CNN والتعلم الانتقالي مع VGG19، أداءً متفوقًا مقارنة بالطرق التقليدية.
يقدم البحث المقترح نموذج تعلم عميق هجين جديد يدمج Inception v3 وResNet-50، المحسن من خلال خوارزمية تحسين رايدر التكيفية (ARO). يهدف هذا النموذج إلى تعزيز استخراج الميزات ودقة التصنيف للكشف عن مرض الزهايمر باستخدام صور الرنين المغناطيسي. تشمل مرحلة المعالجة المسبقة تقليل الضوضاء وزيادة البيانات لضمان مجموعة بيانات قوية للتدريب. تستخدم البنية Inception v3 لاستخراج الميزات متعددة المقاييس، تليها ResNet-50 للتصنيف، مع استراتيجية تدريب من مرحلتين توازن بين الكفاءة الحسابية ودقة النموذج. يقوم ARO بضبط المعلمات الديناميكية، مما يحسن من تقارب النموذج وقدرات التعميم، وبالتالي معالجة القيود الشائعة في منهجيات الكشف الحالية.
DOI: https://doi.org/10.1038/s41598-025-14169-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41028094
Publication Date: 2025-09-30
Author(s): A. Sundar Raj et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
The research presents an optimized hybrid deep learning model for the early detection of Alzheimer’s disease, addressing the limitations of traditional methods in identifying mild cognitive impairment (MCI). The model utilizes the Inception v3 algorithm for feature extraction and the ResNet 50 algorithm for classification, enhanced by the Adaptive Rider Optimization (ARO) algorithm for parameter tuning. Experimental results on a benchmark dementia dataset indicate that the model achieves an accuracy of 96.6%, precision of 98%, recall of 97%, and an F1-score of 98%, surpassing existing state-of-the-art techniques.
In conclusion, the proposed hybrid model demonstrates significant improvements over conventional deep learning approaches, including CNN and various hybrid architectures, with metrics such as precision (95.65%), recall (96.48%), specificity (98.24%), F1-score (96.06%), and accuracy (97.88%). Despite these advancements, challenges such as high computational demands and data variability remain. Future research directions include integrating multi-modal data (e.g., genetic and clinical records), exploring advanced architectures like transformer models, implementing federated learning for privacy-preserving data use, and developing real-time diagnostic tools for practical applications in clinical settings.
Methods
In this section, the authors describe the experimental validation of their proposed model for Alzheimer’s disease classification, utilizing a benchmark dataset from Kaggle. The experimental setup included comprehensive data preprocessing steps such as noise removal, normalization, and data augmentation to enhance the model’s generalization capabilities. The performance was evaluated using accuracy and F1-score, with the model achieving an accuracy of 97.88% and an F1-score of 96.06%. Both metrics were accompanied by 95% confidence intervals, calculated as [96.44%, 99.32%] for accuracy and [94.11%, 98.01%] for F1-score, indicating strong statistical reliability.
To assess the significance of the performance improvements, a paired t-test was performed on the accuracy scores from five independent runs of the proposed model and the best-performing baseline model. The results yielded a t-statistic of 27.57 and a p-value of 1.03 × 10⁻⁵, demonstrating that the differences in accuracy are statistically significant (p < 0.001). This evidence supports the claim that the Inception v3 + ResNet-50 model, optimized using Adaptive Resampling Optimization (ARO), consistently outperforms existing techniques, thereby reinforcing its robustness and generalizability in the context of Alzheimer's disease classification.
Results
The results section details the evaluation of a hybrid deep learning model designed for Alzheimer’s disease detection, utilizing a publicly available dataset from Kaggle comprising MRI brain images categorized into four classes: Non-Demented, Very Mild Demented, Mild Demented, and Moderate Demented. The dataset underwent preprocessing, including noise removal, spatial normalization, and data augmentation techniques such as flipping and rotation, to enhance the model’s performance. The hybrid model combines Inception v3 for feature extraction and ResNet 50 for classification, employing the Adaptive Rider Optimization (ARO) algorithm for parameter tuning. The model was trained using a stochastic gradient descent optimizer with a learning rate of 0.001 over 100 epochs, incorporating early stopping to mitigate overfitting.
Performance metrics such as precision, recall, specificity, F1-score, and accuracy were utilized to evaluate the model, with comparative analyses against existing models like CNN, VGG-16, and DenseNet. The dataset was split into training (80%) and testing (20%) sets, with stratified sampling to maintain class distribution. Notably, the model demonstrated effective classification capabilities, as illustrated by the confusion matrix, which provided insights into the model’s performance across the different classes. The results indicate that the proposed hybrid model outperforms several conventional deep learning architectures, showcasing its potential for accurate Alzheimer’s disease detection.
Discussion
In the discussion of recent advancements in Alzheimer’s detection, various methodologies employing machine learning and deep learning techniques are highlighted. Notable approaches include the use of linguistic features for symptom identification, which face challenges in accuracy, and models that utilize brain imaging data, such as MRI and PET scans, to classify Alzheimer’s stages. For instance, studies have demonstrated improved classification accuracy through the integration of optimization techniques, like grey wolf optimization, and machine learning classifiers such as support vector machines (SVM) and convolutional neural networks (CNN). Additionally, hybrid models combining different architectures, such as 3D-CNN and transfer learning with VGG19, have shown superior performance compared to traditional methods.
The proposed research introduces a novel hybrid deep learning model that integrates Inception v3 and ResNet-50, optimized through an Adaptive Rider Optimization (ARO) algorithm. This model aims to enhance feature extraction and classification accuracy for Alzheimer’s detection using MRI images. The preprocessing phase includes noise reduction and data augmentation to ensure a robust dataset for training. The architecture employs Inception v3 for multi-scale feature extraction, followed by ResNet-50 for classification, with a two-stage training strategy that balances computational efficiency and model accuracy. ARO dynamically fine-tunes hyperparameters, improving the model’s convergence and generalization capabilities, thereby addressing common limitations in existing detection methodologies.