ترجمه فارسی مقاله ادغام مکانیسم های یادگیری انتقال و توجه برای تشخیص دقیق ALS و تشخیص اختلالات شناختی

چکیده

Amyotrophic lateral sclerosis (ALS) is a fatal neurological disease characterized by motor deterioration and cognitive decline, leading to respiratory failure. Early diagnosis is crucial but challenging due to the undefined risk population and the complexity of sporadic ALS. In this study, we used a dataset of 190 autopsy brain images from the Gregory Laboratory at the University of Aberdeen to develop Miniset-DenseSENet, a convolutional neural network combining DenseNet121 with a Squeeze-and-Excitation (SE) attention mechanism. Our model not only distinguishes ALS patients from control groups with 97.37% accuracy but also detects cognitive impairments, which are increasingly recognized as a critical but underdiagnosed feature of ALS. Miniset-DenseSENet outperformed other transfer learning models, achieving a sensitivity of 1 and specificity of 0.95. These findings suggest that integrating transfer learning and attention mechanisms into neuroimaging analysis could enhance clinical diagnostic capabilities, enabling earlier and more accurate diagnosis of ALS and cognitive impair-ment. This approach has the potential to improve patient stratification, guide clinical decision-making, and inform the development of personalized therapeutic strategies.

چکیده به فارسی (ترجمه ماشینی)

اسکلروز جانبی آمیوتروفیک (ALS) یک بیماری عصبی کشنده است که با وخامت حرکتی و کاهش شناختی مشخص می شود و منجر به نارسایی تنفسی می شود.تشخیص زودرس به دلیل جمعیت خطر نامشخص و پیچیدگی AL های پراکنده بسیار مهم است اما چالش برانگیز است.در این مطالعه ، ما از یک مجموعه داده از 190 تصویر کالبد شکافی مغز از آزمایشگاه گرگوری در دانشگاه آبردین برای توسعه DenseSenet Miniset ، یک شبکه عصبی حلقوی ترکیب Densenet121 با مکانیسم توجه فشار و فشار (SE) استفاده کردیم.مدل ما نه تنها بیماران ALS را از گروه های کنترل با دقت 97.37 درصد متمایز می کند بلکه اختلالات شناختی را نیز تشخیص می دهد ، که به طور فزاینده ای به عنوان یک ویژگی مهم اما تشخیص داده نشده ALS شناخته می شوند.Miniset-Densesenet از سایر مدلهای یادگیری انتقال بهتر عمل کرد و به حساسیت 1 و ویژگی 0.95 رسید.این یافته ها نشان می دهد که ادغام مکانیسم های یادگیری انتقال و توجه در تجزیه و تحلیل تصویربرداری عصبی می تواند قابلیت های تشخیصی بالینی را تقویت کند و تشخیص زودتر و دقیق تر ALS و اختلال شناختی را فراهم می آورد.این رویکرد پتانسیل بهبود طبقه بندی بیمار ، راهنمایی تصمیم گیری بالینی و اطلاع رسانی در مورد توسعه استراتژی های درمانی شخصی را دارد.