ConvNeXt–KAN mejora la clasificación por etapas del Alzheimer desde RM cerebral
Investigadores proponen ConvNeXt–KAN, un modelo híbrido que combina un backbone ConvNeXt-Tiny preentrenado con una cabeza de red Kolmogórov–Arnold (KAN) para clasificar las etapas del Alzheimer a partir de resonancias magnéticas estructurales. Sobre el conjunto de test equilibrado de OASIS obtiene 94,5% de accuracy, 0,944 de macro-F1 y 0,991 de ROC-AUC medio, aunque la cabeza KAN no supera estadísticamente a una MLP (p = 0,52). En una evaluación externa sin ajuste fino en una colección de Kaggle de cuatro clases, la accuracy cae al 61,6%, lo que los autores atribuyen en parte al cambio de dominio y piden validación multicéntrica antes de cualquier uso clínico.
Fuentes
- Frontiers in Artificial Intelligence | New and Recent ArticlesConvNeXt–KAN: a Kolmogorov–Arnold Network head for robust multi-class staging of Alzheimer's disease from brain MRI
- Frontiers in Artificial Intelligence | New and Recent ArticlesA hybrid CNN–BiLSTM network with additive attention for automated four-stage classification of Alzheimer's disease from brain MRI