用深度转移学习来诊断阿尔茨海默病的可解释的人工智能范式

科学领域:

• 人工智能的人工智能
• 神经科学是一个神经科学.
• 医疗成像医学成像

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,影响全球数百万人,需要早期和准确的诊断才能有效管理.
• 深度学习在分析AD诊断神经成像方面表现有前途,但缺乏可解释性限制了临床信任和采用.
• 可解释的人工智能 (XAI) 对于了解医疗保健中的人工智能决策过程至关重要.

研究的目的:

• 为阿尔茨海默病的诊断开发一个可解释的人工智能 (XAI) 基础的框架.
• 提高AD医疗图像分析中的深度学习模型的可解释性和透明度.
• 提高临床信任和接受AI工具在AD诊断中的AI工具.

主要方法:

• 通过预训练的卷积神经网络 (CNN) 进行深度转移学习,包括VGG16,VGG19,DenseNet169和DenseNet201.
• 开发了组合模型 (组合-1:VGG16/VGG19,组合-2:DenseNet169/DenseNet201) 以提高诊断性能.
• 整合了XAI技术,特别是突出度地图和梯度加权类激活映射 (grad-CAM),进入了一个新的诊断模型.

主要成果:

• 评估了个别的CNN模型,合奏表现出卓越的表现.
• 组合模型达到高达95%的准确性,精度,回忆和F1分数.
• 新的XAI集成模型显示了96%的惊人的准确性,为诊断推理提供了视觉洞察力.

结论:

• 将深度转移学习与XAI技术相结合,为阿尔茨海默病诊断提供了一种强大的方法.
• 开发的XAI框架提高了模型的解释性,为临床决策支持提供了可视证据.
• 这项研究为在神经退行性疾病诊断中更加透明,可信和临床适用的AI模型铺平了道路.