頭蓋骨除去がMRIベースのアルツハイマー病分類におけるショートカット学習を誘発する

科学分野:

• 神経画像診断
• 人工知能
• 医療診断

背景:

• 深層ニューラルネットワークは、構造的MRIからのアルツハイマー病（AD）の分類において高い精度を達成している。
• これらの分類を駆動する特定の画像特徴は不明瞭なままであり、臨床的信頼に対する課題となっている。

研究 の 目的:

• T1強調（T1w）MRIのテクスチャ、体積情報、および特に頭蓋骨除去を含む前処理ステップの寄与を体系的に評価する。
• ADにおける深層学習ベースの疾患分類の根底にあるメカニズムを調査する。

主な方法:

• AD患者および対照群（ADNIデータベース）の990のT1w MRIのデータセットを使用した。
• 頭蓋骨除去および強度二値化による前処理の変動により、テクスチャと形状の寄与を分離した。
• 3D畳み込みニューラルネットワークをトレーニングし、層別関連性伝播およびスペクトルクラスタリングを使用して特徴の関連性を分析した。

主要な成果:

• 分類精度、感度、特異度は、異なる前処理条件で安定していた。
• モデルは灰白質テクスチャへの依存度が低く、二値化画像でも同様のパフォーマンスを示した。
• 頭蓋骨除去によって導入された脳輪郭、特に体積特徴が、モデルによって一貫して利用された。

結論:

• 深層学習モデルは、実際の疾患関連特徴ではなく、前処理アーティファクト（頭蓋骨除去）に依存するショートカット学習を示した。
• これは、バイアスを検出し、医療画像における堅牢で信頼性の高いAIを保証するために、解釈可能性ツールの極めて重要な重要性を強調する。
• 臨床的に関連性があり、検証された深層学習モデルを開発するには、データセットの特性と前処理を慎重に検討することが不可欠である。