アルツハイマー病の発症を予測するためのMRIベースの放射線学と体積学,説明可能な機械学習による機械学習

科学分野:

• 神経画像は,神経イメージングによるものです.
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.
• ラジオミックス (Radiomics) とは

背景:

• 構造的なMRIとMLによる現在のアルツハイマー病 (AD) の検出は,しばしば早期のパターンを逃し,後期のアトロフィーに焦点を当てます.
• ディープラーニングモデルはMRI信号の強度を考慮しているが,注意領域を超えて説明ができない.
• 既存の方法は,包括的なADリスク予測のための多様なデータタイプを統合するために苦労しています.

研究 の 目的:

• アルツハイマー病 (AD) のリスク予測の強化のためのRadiomics機能を使用して,タイム・トゥ・イベントモデルを開発し,説明する.
• より総合的なリスク評価のために,MRIの質感,形状,および体積データを臨床的および社会人口学的要因と統合します.
• 個々の特徴の貢献を分析することによって,AD検出モデルの説明性を向上させる.

主な方法:

• 構造的なMRIからRadiomicsの特徴を組み込む訓練されたタイム・トゥ・イベントモデル.
• SHAPLEY ADDITIVE EXPLANATIONS (SHAP) と,モデルの解釈可能性のための高レベルの説明を活用しました.
• ADNIの内部およびAIBLとOASIS-3のデータセットの外部で検証されたモデル.

主要な成果:

• Radiomicsは,ADの長期的な予測モデルを大幅に強化し,Brierスコアにおけるベースラインモデルを最大3.02%上回っている.
• モデルは,データ分布の変動にもかかわらず,外部検証データセット全体で中等から高い再現性を実証しました.
• ADに関連する特定のRadiomicsシグネチャーを特定し,重要な脳領域 (例えば,腸内皮質,桃体) の複雑な質感と不規則な形状を含む.

結論:

• ラジオミクス機能は,伝統的な臨床およびイメージングデータを補完して,長期的なアルツハイマー病 (AD) リスクを予測するための貴重な洞察を提供します.
• 開発された説明可能なモデルは,AD検出により解釈可能なアプローチを提供し,MRI由来の特定の特徴の影響を強調しています.
• この発見は,より正確で説明可能なアルツハイマー病のリスク評価のために,放射線学を臨床実践に統合することを支持しています.