可解释的基于人工智能的阿尔茨海默病预测和管理,使用多式联络数据

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 痴呆症,包括阿尔茨海默病,是全球死亡和残疾的主要原因.
• 目前用于阿尔茨海默氏症诊断的机器学习模型由于其黑盒性质而缺乏信任,并且通常仅依赖神经成像数据.
• 需要对阿尔茨海默氏症的诊断工具进行改进和解释.

研究的目的:

• 通过使用多式联络数据集,提出一种新的,可解释的阿尔茨海默病预测模型.
• 通过结合临床,MRI细分和心理数据来解决现有模型的局限性.
• 推进对阿尔茨海默氏症多式联络五类分类的理解.

主要方法:

• 利用九个流行的机器学习模型,包括随机森林 (RF),物流回归 (LR) 和支持矢量机器 (SVM),进行五类分类.
• 进行了临床,MRI细分和心理数据的数据级融合.
• 为了模型的可解释性,使用了夏普利添加式解释 (SHAP).

主要成果:

• 随机森林分类器实现了10倍的交叉验证准确率98.81%,用于分类阿尔茨海默氏症,认知正常,非阿尔茨海默氏症痴呆症,不确定的痴呆症等.
• 使用SHAP的可解释AI (XAI) 提供了对预测推理的见解.
• 这项研究是第一个使用OASIS-3数据集对阿尔茨海默病进行多模式五类分类的研究.

结论:

• 开发的可解释的人工智能模型在预测阿尔茨海默氏病方面表现出高准确性和可靠性.
• 多模式数据融合显著提高了阿尔茨海默病的诊断能力.
• 提出了一种新的阿尔茨海默病患者管理架构,为改善患者护理提供了潜力.