対照的説明法 (CEM) を用いたパーキンソン病の診断に対する説明可能なアプローチ

科学分野:

• 神経イメージング
• 人工知能
• 医療診断

背景:

• パーキンソン病 (PD) は進行性神経変性疾患であり,早期診断が必要である.
• PDの正確な分類は,適切な介入と管理に不可欠です.

研究 の 目的:

• 脳の体積MRIデータを用いてPDとPDのない個人を分類する.
• 説明可能な人工知能 (XAI) の技術でモデルの解釈性を向上させる.

主な方法:

• 79人の参加者 (39人のPD,40人の対照群) の17人の体積的な脳特性を用いて深層神経ネットワーク (DNN) を開発した.
• 信頼性の高い評価のために 5 回のクロス検証を行いました
• モデル透明性のためにコントラスティブ説明方法 (CEM) とローカル解釈可能なモデルアグノスティック説明 (LIME) を利用した.

主要な成果:

• DNNは94. 1%の精度,98. 3%の特異性,90. 2%の感度,および0. 97のAUCを達成しました.
• CEMはヒポカンプスの体積の減少をPDの重要な指標として特定しました.
• LIMEは特徴の重要性と正確性を確認し,CEMの発見と一致しました.

結論:

• XAIのディープラーニングモデルは,PD分類に高い正確性と解釈性を提供します.
• このアプローチは,説明可能なAIをPD診断のための臨床神経イメージングに統合することをサポートしています.