一种可解释的人工智能方法,用于阿尔茨海默氏症患者的大脑连接

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 由于算法复杂性,人工智能 (AI) 的临床应用往往缺乏透明度.
• 可解释的人工智能 (XAI) 旨在为非计算领域的专家提高AI模型的可解释性.
• 了解阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 中的大脑连接性改变对于诊断和治疗至关重要.

研究的目的:

• 研究阿尔茨海默病 (AD) 如何影响大脑连接.
• 证明基于图形理论的模型和Shapley值在临床神经科学中解释AI的实用性.
• 通过可解释的AI识别与AD和MCI相关的特定大脑区域.

主要方法:

• 利用T1脑磁共振成像 (MRI) 数据从阿尔茨海默病神经成像计划 (ADNI) 队列中的432名受试者.
• 采用基于图形理论的模型来分析大脑连接模式.
• 应用了来自游戏理论的Shapley值,以提高AI模型的解释性.

主要成果:

• 图形理论模型准确地区分了阿尔茨海默病 (AD),轻度认知障碍 (MCI) 和正常对照 (NC).
• 使用沙普利值的可解释性分析确定了特定大脑区域的参与,包括面,中圈和上圈.
• 对于AD (例如,海马体,杏仁体) 和MCI (例如,后 cingulate, precuneus) 观察到受影响的大脑区域的明显模式.

结论:

• 结合图形理论和沙普利值,XAI为分析神经退行性疾病中大脑连接提供了一个可解释的框架.
• 这种方法成功地区分了AD,MCI和正常的认知状态.
• 这种方法为理解大脑连接和特定神经疾病之间的关系提供了可概括的工具.