La fusion des modèles d'apprentissage profond des IRM, de l'examen de l'état mental mini et du test de mémoire logique améliore le diagnostic du trouble cognitif léger

INTRODUCTION : Notre objectif était d'explorer si la précision du diagnostic du trouble cognitif léger (TCL) utilisant l'examen de l'état mental mini (EEMM) et le test de mémoire logique (TML) pouvait être améliorée en ajoutant des données d'IRM. MÉTHODES : Les données d'individus ayant une cognition normale et un TCL ont été obtenues à partir de la base de données du National Alzheimer Coordinating Center (n = 386). Des modèles d'apprentissage profond entraînés sur des coupes d'IRM ont été combinés pour générer un modèle IRM fusionné utilisant différentes techniques de vote pour prédire la cognition normale par rapport au TCL. Deux modèles de perceptron multicouche (PMC) ont été développés avec les résultats de l'EEMM et du TML. Enfin, le modèle IRM fusionné et les modèles PMC ont été combinés à l'aide d'un vote majoritaire. RÉSULTATS : Le modèle de fusion était supérieur aux modèles individuels seuls et a atteint une précision globale de 90,9 %. DISCUSSION : Cette étude est une preuve de principe que la fusion multimodale de modèles développés en utilisant des IRM, des données d'EEMM et de TML est faisable et peut mieux prédire le TCL.