研究成果
實驗歷程
H: Healthy
B: Bipolar Disorder
M: MDD
S: Schizophrenia
健康與精神疾病 CBAM 二元分類
目前使用 K-Fold(K = 20) 並加入 CBAM 通道空間注意力機制來訓練健康與精神疾病 CBAM 二元分類，健康的資料集筆數為100筆，而精神疾病包含躁鬱症、重鬱症和思覺失調症各100筆，其中 Fold 19 份訓練與驗證資料以 80% 訓練集比 20% 驗證集分割，結果如下：
-
Average Test Accuracy 74.25%
-
Precision 82.66%
-
Recall 82.67%
-
F1 Score 82.03%
在健康與精神疾病 CBAM 二元分類 K-Fold(K = 20) 中，Fold 15 有最好的準確率 90.00%，健康和精神疾病各錯一筆資料，健康的指標皆為 80% ，而精神疾病的指標皆為 93.33%。
Grad-CAM
健康及疾病 二分法 Grad CAM：best_model_fold_15
在健康樣本中，熱力圖多集中於大腦皮質與中線結構附近，尤其可見沿視丘及兩側半球皮質呈現較高關注。此分布可能反映模型將皮質對稱性與白質邊界清晰度作為健康判讀依據。
相較之下，疾病樣本的 Grad-CAM 關注區域多集中於後側腦部（posterior region）。顯示模型在進行疾病分類時，可能偵測後側皮質與鄰近部位之結構差異，視為疾病判定的主要依據。
▲ 健康樣本 ▲ 思覺失調症樣本
▲ 躁鬱症樣本 ▲ 重度憂鬱症樣本
年齡預測
3D EfficientNet 模型
目前已成功使用健康組的 24 筆 orig.mgz 的 MRI 影像數據訓練模型，其中包括年齡為 24、29、36、59、60、62、64 和 74 的各三筆資料，在 Google Colab 雲端開發環境成功訓練 3D EfficientNet 模型，如圖五。隨著模型訓練次數增加，Loss 穩定下降，Accuracy 也持續上升，最終模型準確率達到 87.50%，代表模型已趨於收斂並具穩定性。預測驗證資料的平均誤差為 7 歲，一筆實際年齡 29 歲的資料，會被預測為 36 歲。未來將繼續新增資料集數量進行訓練，以增加預測的精準度。
