Reti neurali convoluzionali 3D multi-scala con addestramento consapevole dello sbilanciamento per la stadiazione della malattia di Alzheimer basata su MRI strutturale a sei classi
Titolo originaleMulti-scale 3D CNN with imbalance-aware training for structural MRI-based six-class Alzheimer disease staging.
Computers in biology and medicine · 2026
Sintesi in italiano
La stadiazione della malattia di Alzheimer tramite risonanza magnetica strutturale (MRI) risulta complessa soprattutto in presenza di stadi clinici adiacenti e di un forte sbilanciamento tra classi. Questo studio valuta una classificazione a sei classi: soggetti cognitivamente normali, con disturbi soggettivi di memoria, lieve compromissione cognitiva precoce, lieve compromissione cognitiva, compromissione cognitiva avanzata e Alzheimer, utilizzando immagini T1-pesate derivate dalla banca dati ADNI. Il campione finale comprendeva 3592 volumi MRI di 904 partecipanti, con la categoria disturbi soggettivi di memoria rappresentata dal 3,79% dei dati. Gli autori hanno sviluppato una rete neurale convoluzionale tridimensionale (3D CNN), compatta e multi-scala, con strategie di addestramento mirate a compensare l’asimmetria delle classi, inclusi pesi specifici, focal loss con label smoothing, campionamento ponderato e perturbazioni di intensità per le classi minoritarie. In una valutazione primaria effettuata su base scansione, un set di test fisso di 719 volumi è stato escluso dallo sviluppo del modello, mentre 2873 volumi sono stati suddivisi in 5 fold per addestramento e validazione. Il modello ha raggiunto accuratezza di 0,9018±0,0452, macro F1 di 0,8804±0,0393, coefficiente MCC di 0,8762±0,0544 e AUC macro di 0,9463±0,0056. Un modello baseline EfficientNet-B0 ha mostrato prestazioni globalmente superiori, pur richiedendo il 43,7% di parametri in più. L'analisi di ablation pairing ha evidenziato che il campionamento ponderato migliorava precisione, richiamo e F1 per i disturbi soggettivi di memoria, anche se i benefici complessivi erano limitati. Lo studio sottolinea l’importanza di valutazioni specifiche per classe in condizioni di forte sbilanciamento e distingue la capacità discriminativa a livello di scansione dalla generalizzazione indipendente dal partecipante.
Sintesi generata con IA. Verifica metodi, risultati e limiti nella pubblicazione originale.
Abstract e pubblicazione originale
L’abstract è consultabile nella fonte originale. Non viene ripubblicato qui perché non risulta verificata una licenza compatibile.
Leggi nella fonte originale ↗Parole chiave
Come citare questo studio
Faizaan Fazal Khan, Jun-Hyung Kim, Goo-Rak Kwon. (2026). Multi-scale 3D CNN with imbalance-aware training for structural MRI-based six-class Alzheimer disease staging.. Computers in biology and medicine. DOI: 10.1016/j.compbiomed.2026.111949
Consulta la pubblicazione originale ↗