可解释的基于人工智能的Deep-SHAP用于绘制区域神经成像生物标志物和认知之间的多变量关系

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 认知神经科学 认知神经科学

背景情况:

• 轻度认知障碍 (MCI) 和阿尔茨海默病 (AD) 涉及到超出正常衰老的认知衰退.
• 大脑体积变化 (MRI) 和粉样β水平 (PET) 与MCI/AD有关.
• 在MCI/AD中,区域脑成像和认知之间的准确关系尚未完全理解.

研究的目的:

• 为了研究区域大脑成像测量和MCI/AD认知功能之间的复杂,多变量关系.
• 应用可解释的人工智能 (AI) 方法来揭示这些关系.
• 确定有助于MCI/AD认知衰退的特定大脑区域.

主要方法:

• 将基于AI的深度学习神经网络和沙普利增量解释 (SHAP) 集成到深度SHAP方法中.
• 使用模拟数据验证深度SHAP方法.
• 应用Deep-SHAP对MCI/AD患者的实验性MRI和β-粉样蛋白 pozitron发射断层扫描 (PET) 数据的应用.

主要成果:

• 深度SHAP成功地使用模拟数据预测认知,识别了关键的预测区域.
• 对MRI数据的分析显示,胰岛,侧头,中间额头,极和头状回环是认知衰退的重要贡献者.
• 对PiB-PET数据的分析确定了下,副海马,下额头,上和侧额头灰色物质作为认知衰退的关键区域.

结论:

• 深度SHAP方法有效地揭示了区域大脑特征和认知功能之间的多变量关系.
• 这种方法为对MCI/AD病原发生具有关键作用的模式特异性大脑区域提供了新的见解.
• 深度SHAP为了解认知衰退的神经生物学基础提供了一个强大的工具.