前性痴呆症亚型的差异诊断,在结构性MRI上进行可解释的深度学习
Da Ma1, Jane Stocks2, Howard Rosen3
1Department of Internal Medicine, Wake Forest University School of Medicine, Winston-Salem, NC, United States.
Frontiers in neuroscience
|February 22, 2024
概括
这项研究使用了MRI扫描的深度学习来区分前性痴呆症 (FTD) 的亚型,实现了行为变体FTD (bvFTD),语义变体PPA (svPPA) 和非流动变体PPA (nfvPPA) 的高精度. 这有助于早期诊断和干预计划.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 前性痴呆症 (FTD) 呈现出显著的异质性,使生物标志物识别和临床试验招募复杂化.
- 这种异质性阻碍了针对FTD开发有针对性的干预措施和治疗方法.
- 精确区分FTD亚型对于有效的患者管理至关重要.
研究的目的:
- 开发一个深度神经网络 (DNN) 模型,用于自动区分三种FTD临床表型:行为变体FTD (bvFTD),语义变体PPA (svPPA) 和非流动变体PPA (nfvPPA).
- 利用结构性MRI数据精确分类FTD亚型.
- 为FTD分类建立一个可解释的AI框架.
主要方法:
- 利用了来自277名FTD患者的结构性MRI数据,这些数据来自两个多站点数据集.
- 预处理的T1加权的MRI数据,从基于补丁的ROI中提取皮质厚度和体积特征,以及协调的数据.
- 训练了一种具有加权交叉损失函数的多类平行特征嵌入框架,用于分类FTD亚型,使用集成梯度用于特征可视化.
主要成果:
- 不同诊断框架实现了高平衡精度:bvFTD为0.80,nfvPPA为0.82,svPPA为0.89,整体精度为0.84.
- 特性重要性图显示了每个FTD亚型的局部差异模式.
- 证明了可解释的深度学习框架在区分FTD亚型方面的有效性.
结论:
- 该研究成功地展示了一种可解释的深度学习框架,用于使用MRI区分FTD亚型.
- 这种方法有助于精确诊断FTD,促进早期干预计划.
- 这些发现支持AI在识别FTD风险人群方面的潜力.
