疾病驱动的域概括用于基于神经成像的阿尔茨海默病的评估

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 生物医学数据科学 生物医学数据科学

背景情况:

• 使用MRI检测认知障碍的深度学习模型至关重要,但由于数据的可变性而面临挑战.
• 域泛化 (DG) 框架通过使模型能够在不同的数据源中传输知识来提供解决方案.
• 模型可解释性可以提高这些深度学习模型的概括性.

研究的目的:

• 开发和验证一种新的深度学习方法,用于使用MRI评估认知障碍.
• 提高分类模型在多个独立群体中的通用性.
• 利用模型的解释性来提高认知障碍检测的性能和可靠性.

主要方法:

• 使用磁共振成像 (MRI) 扫描和从四个大,独立的队列 (ADNI,FHS,AIBL,NACC) 的临床诊断.
• 开发了一个深度神经网络,结合了模型的可解释性,特别是将类智的注意力与统一的视觉突出性对齐.
• 训练了一个分类器来区分正常认知 (NC),轻度认知障碍 (MCI) 和阿尔茨海默病 (AD).

主要成果:

• 提出的方法证明了与最先进的技术相比具有竞争力的性能.
• 该方法与死后组织学相关性有所改善,提供了黄金标准验证.
• 该模型成功地在来自多个队伍的多种MRI数据集中进行了概括.

结论:

• 利用模型解释性是提高神经成像深度学习领域概括性的有效策略.
• 开发的方法显示了在不同临床环境中对认知障碍的可靠,可泛化检测的前景.
• 这项工作为验证医疗图像分析中的域概括框架提供了基础,特别是在神经退行性疾病中.