3D深度学习和经典机器学习对阿尔茨海默病检测解释的系统比较
Louise Bloch1, Christoph M Friedrich2,
1Department of Computer Science, University of Applied Sciences and Arts Dortmund (FH Dortmund), Emil-Figge-Straße 42, Dortmund, 44227, North Rhine-Westphalia, Germany; Institute for Medical Informatics, Biometry and Epidemiology (IMIBE), University Hospital Essen, Hufelandstraße 55, Essen, 45122, North Rhine-Westphalia, Germany; Institute for Artificial Intelligence in Medicine (IKIM), University Hospital Essen, Hufelandstraße 55, Essen, 45122, North Rhine-Westphalia, Germany.
Computers in biology and medicine
|February 3, 2024
概括
这项研究比较了深度学习 (DL) 和经典机器学习 (ML) 的阿尔茨海默病 (AD) 检测. 虽然两者都取得了类似的准确性,但它们突出显示了不同的大脑区域,ML模型专注于已知的AD区域,DL模型专注于更广泛的区域.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 对于阿尔茨海默病 (AD) 检测的深度学习 (DL) 模型通常缺乏可解释性.
- 了解DL模型聚焦于哪些大脑区域对于临床信任和验证至关重要.
- 经典机器学习 (ML) 模型提供了既定的解释方法来进行比较.
研究的目的:
- 为了比较DL和ML模型在早期阿尔茨海默病检测中的解释性.
- 为了识别和对比DL和ML模型激活的大脑区域.
- 根据既有的神经成像分析验证模型解释.
主要方法:
- 在ADNI数据集上训练有素的3D密集网,高效网和SE网络 (DL) 和RF,SVM,XGBoost,LightGBM,DTs,LR (ML).
- 在模型解释中使用了SHAP,LIME,GradCAM,GradCAM++,以及 permutation的重要性.
- 对AIBL和OASIS数据集的验证模型和解释,将发现与基于Voxel的形态学 (VBM) 进行比较.
主要成果:
- DL和ML模型在AD检测方面实现了可比的分类性能.
- ML模型突出显示了传统上与AD相关的大脑区域 (例如海马,杏仁体).
- DL模型确定了一组更广泛的区域,包括光学和心室,与AD的一些新的关联.
结论:
- DL和ML模型都为AD检测提供了有价值的见解,但它们的解释性不同.
- 输入特征的选择 (纹理与体积) 可能解释了突出显示的大脑区域的分歧.
- 虽然ML模型与VBM分析的相似性略高,但这两种方法都为AD研究提供了补充信息.
