为临床医生解释图形卷积网络预测-一种可解释的AI方法来对阿尔茨海默氏症疾病进行分类

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 神经成像分析分析 神经成像分析

背景情况:

• 基于图形的表示在医学中越来越多地用于模拟患者关系和预测疾病.
• 图形卷积网络 (GCN) 可以分析神经认知,遗传和脑缩数据中的复杂模式,用于认知状态预测.
• 阐明GCN预测对于临床采用和医生对诊断决策支持系统的信任至关重要.

研究的目的:

• 引入基于分解的解释方法,用于使用GCNs进行个体患者分类.
• 了解各种特征和关系对诊断预测的贡献.
• 提高GCN模型在医疗应用中的可解释性和可靠性.

主要方法:

• 在阿尔茨海默病神经成像计划 (ADNI) 数据库上使用GCN模型来预测认知状态 (正常认知,轻度认知障碍,阿尔茨海默病).
• 开发了基于分解的方法来分析基于输入值变化的输出变化,评估特征和边缘影响.
• 通过选择性地沉默边缘来研究关系数据,以获得邻居级别的解释.

主要成果:

• 解释方法在微小的输入变化下表现出稳定性,特别是在0.80.0以上的边缘重量方面.
• 与SHAP值的比较分析显示了可比结果,计算时间显著减少.
• 一项对11位领域专家的调查显示,71%的人证实了解释的正确性,对可理解性的评分高于六分之一.

结论:

• 拟议的解释方法为认知状态的GCN预测提供了稳定和可理解的见解.
• 该方法为现有方法 (如SHAP) 提供了一个计算效率高的替代方案.
• 解决诸如GCN依赖人口统计数据等局限性问题,将进一步促进临床采用,并建立医生信任.