Оценка эффективности модели глубокого обучения на основе EfficientNetB3 для дифференциальной диагностики стадий болезни Альцгеймера

Цель исследования – оценка эффективности применения модифицированной архитектуры EfficientNetB3 на основе методов трансферного глубокого обучения и ранней остановки в системах поддержки принятия врачебных решений для дифференциальной диагностики стадий болезни Альцгеймера.

Методы. Для проведения экспериментальных исследований был сформирован набор данных для обучения, проведена нормализация и аугментация данных. Выполнена программная реализация модифицированной нейросетевой архитектуры EfficientNetB3 с применением методов трансферного глубокого обучения и ранней остановки на языке программирования Python. Проведено обучение нейросетевой модели.

Результаты. Оценка эффективности классификации, обученной нейросетевой модели, проводилась с помощью метрик Recall, Precision, Specificity, F1-мера и AUC-ROC. Анализ значений этих метрик показал, что результаты, продемонстрированные модифицированной архитектурой EfficientNetB3, характеризуются выраженной асимметрией и указывают на узкоспециализированный характер данной модели. С одной стороны, модель проявила себя как эффективный инструмент для диагностики стадии умеренной деменции, продемонстрировав максимально возможное значение AUC. С другой стороны, эффективность классификации для остальных классов значительно ниже (значения AUC для классов «Отсутствие деменции», «Очень лёгкая деменция» и «Лёгкая деменция» равны 0,87, 0,86 и 0,95 соответственно).

Заключение. Исходя из результатов проведенного анализа можно сделать вывод, что основная практическая ценность данной модификации архитектуры EfficientNetB3 заключается в ее использовании в составе гетерогенных ансамблей или каскадных системах диагностики для верификации конкретной стадии болезни Альцгеймера – умеренной деменции с целью повышения общей эффективности системы. Это указывает на перспективность дальнейших исследований в области создания узкоспециализированных архитектур, способных решать конкретные подзадачи с высокой точностью, превосходящей универсальные, но менее сфокусированные подходы.

1. Особенности клинического течения нейродегенеративного заболевания головного мозга, обусловленного мутациями в гене нейрофасцита и сукцинатдегидрогеназы: клинический случай / Е. А. Ткачук, Т. А. Астахова, Л. В. Рычкова, О. В. Бугун // Медицинский совет. 2023. Т. 17, № 21. С. 122-127. https://doi.org/10.21518/ms2023-414

2. Bagetta G., Bano D., Scuteri D. Basic, Translational, and Clinical Research on Dementia // International Journal of Molecular Sciences. 2024. Vol. 25(13). P. 1–6. https://doi.org/10.3390/ijms25136861

3. Применение современных классификационных систем для комплексной диагностики болезни Альцгеймера / Я. А. Зоркина, И. О. Морозова, О. В. Абрамова [и др.] // Журнал неврологии и психиатрии им. С. С. Корсакова. 2024. Т. 124, № 1. С. 121–127. https://doi.org/10.17116/jnevro2024124011121

4. Возможности и перспективы метода магнитно-резонансной морфометрии в диагностике деменций / И. К. Терновых, С. В. Воробьев, С. Н. Янишевский [и др.] // Медицинский совет. 2024. Т. 18, № 12. С. 22–30. https://doi.org/10.21518/ms2024-289

5. Брежнев А. В., Томакова Р. А., Черных Е. В. Информационная система для прогнозирования рецидивов инфаркта миокарда, реализованная как мобильное приложение // Информационное общество. 2023. № 1. С. 116–126. https://doi.org/10.52605/16059921_2023_01_116

6. Томакова Р. А., Дзюбин И. А., Брежнев А. В. Метод и алгоритм обучения сверточной нейронной сети, предназначенной для интеллектуальной системы распознавания меланомы // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2022. Т. 12, № 1. С. 65–83. https://doi.org/10.21869/2223-1536-2022-12-1-65-83

7. Анализ эффективности применения архитектуры U-net для классификации и сегментации глиомы на МРТ-снимках / А. В. Киселев, Е. А. Кулешова, М. О. Таныгин [и др.] // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2024. Т. 14, № 3. С. 104–120. https://doi.org/10.21869/2223-1536-2024-14-3-104-120

8. Patel V. AI-Driven Alzheimer’s Detection Performance Analysis of Pretrained CNN Models on MRI Data // International Journal for Research in Applied Science and Engineering Technology. 2025. Vol. 13. P. 776–784. https://doi.org/10.22214/ijraset.2025.68354

9. Diagnosis of Alzheimer’s Disease Using CNN on MRI Data / P. Agarwal, V. Jagawat, B. Jathiswar, M. Poonkodi // Advances in Science and Technology. 2023. Vol. 124. P. 277– 284. https://doi.org/10.4028/p-z04kn

10. Naidu G., Zuva T., Sibanda E. M. A review of evaluation metrics in machine learning algorithms // Artificial Intelligence Application in Networks and Systems: Proceedings of 12th Computer Science On-line Conference 2023. Cham: Springer, 2023.

11. Knapińska Z., Mulawka J. Patient-Tailored Dementia Diagnosis with CNN-Based Brain MRI Classification // Applied Sciences. 2025. Vol. 15. https://doi.org/10.3390/app15094652

12. Азарнова Т. В., Поздняков Д. А. Применение методов глубокого обучения для классификации стадии Альцгеймера на основе МРТ головного мозга // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2024. № 1. С. 94–103. https://doi.org/10.17308/sait/1995-5499/2024/1/94-103

13. Overview of ADNI MRI / C. R. Jack, A. Arani, B. J. Borowski [et al.] // Alzheimer's Dement. 2024. Vol. 20. P. 7350–7360. https://doi.org/10.1002/alz.14166

14. The class imbalance problem in deep learning / K. Ghosh, C. Bellinger, R. Corizzo [et al.] // Mach Learn. 2024. Vol. 113. P. 4845–4901. https://doi.org/10.1007/s10994-022-06268-8

15. Image Augmentation Techniques for Mammogram Analysis / P. Oza, P. Sharma, S. Patel [et al.] // J. Imaging. 2022. Vol. 8(141). https://doi.org/10.3390/jimaging8050141

16. A Study of CNN and Transfer Learning in Medical Imaging: Advantages, Challenges, Future Scope / A. W. Salehi, S. Khan, G. Gupta [et al.] // Sustainability. 2023. N 15 (7). P. 5930. https://doi.org/10.3390/su15075930

17. Метод контроля доступа и мониторинга соблюдения техники безопасности на энергетических хозяйствах предприятий на основе конвейерной нейросетевой модели / А. В. Киселев, Н. С. Брусенцев, Е. А. Кулешова, Д. А. Ермаков // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2024. Т. 14, № 4. С. 28–46. https://doi.org/10.21869/2223-1536-2024-14-4-28-46

18. Метод анализа оцифрованных рентгеновских снимков грудной клетки для дифференциальной диагностики инфекционных заболеваний дыхательной системы / И. О. Мишин, М. О. Таныгин, А. В. Киселев [и др.] // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2024. № 4. С. 143–155. https://doi.org/10.17308/sait/1995-5499/2024/4/143-155

19. Automatic Analysis of MRI Images for Early Prediction of Alzheimer’s Disease Stages Based on Hybrid Features of CNN and Handcrafted Features / A. Khalid, E. M. Senan, K. Al-Wagih [et al.] // Diagnostics (Basel). 2023. Vol. 13 (9). P. 1654. https://doi.org/10.3390/diagnostics13091654

20. Analysis of Features of Alzheimer's Disease: Detection of Early Stage from Functional Brain Changes in Magnetic Resonance Images Using a Finetuned ResNet18 Network / M. Odusami, R. Maskeliūnas, R. Damaševičius, T. Krilavičius // Diagnostics (Basel). 2021. Vol. 11 (6). P. 1071. https://doi.org/10.3390/diagnostics11061071