Un Réseau de Neurones Convolutionnels Profonds Avec Attention Double pour la Détection Précoce de la Maladie d'Alzheimer

La maladie d'Alzheimer (MA) représente la forme principale de neurodégénérescence, touchant des millions d'individus chaque année et entraînant un déclin cognitif progressif. Diagnostiquer et classer avec précision la MA en utilisant des données de neuroimagerie pose des défis constants en médecine, nécessitant des interventions avancées qui amélioreront les mesures de traitement. Dans cette recherche, nous introduisons un cadre d'apprentissage profond (AP) amélioré par attention double pour classer la MA à partir de données de neuroimagerie. Les mécanismes d'attention spatiale et d'auto-attention combinés jouent un rôle crucial en mettant l'accent sur les enchevêtrements neurofibrillaires et les plaques amyloïdes à partir des images par IRM, qui sont difficiles à discerner avec des techniques d'imagerie classiques. Les résultats démontrent que notre modèle a obtenu des performances remarquables par rapport aux réseaux de neurones convolutionnels (CNN) de pointe existants, avec une précision de 99,1%. De plus, il a enregistré des métriques remarquables, avec un F1-Score de 99,31%, une précision de 99,24% et un rappel de 99,5%. Ces résultats soulignent la promesse des méthodes d'AP de pointe dans le diagnostic médical, contribuant à des solutions de santé hautement fiables et plus efficaces.