使用深度学习诊断精神分裂症:新的解释方法和多站点验证.

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 精神病学是一个精神病学.

背景情况:

• 精神分裂症对个人和社会产生重大影响.
• 深度学习 (DL) 通过分析复杂的模式,为客观的精神分裂症诊断提供了潜力.
• 目前的DL模型由于单中心数据限制而缺乏可解释性和通用性.

研究的目的:

• 使用多中心数据开发和验证用于精神分裂症诊断的可通用深度学习模型.
• 通过增强可解释性,提高DL在精神病学中的临床实用性.
• 为了确定与精神分裂症相关的神经解剖学差异.

主要方法:

• 利用3D Resnet模型在九个全球中心进行训练和测试.
• 采用一个离开一个中心的验证策略来评估模型的通用性.
• 应用夏普利添加式解释 (SHAP) 使用解剖图谱进行神经解剖学解释.

主要成果:

• 在各种国际数据集中实现了82%的分类性能 (曲线下的面积).
• 鉴定了精神分裂症患者和健康对照人群之间的lamus,lidum和下额前环的显著差异.
• 精细的SHAP方法提供了精确的神经解剖学和功能解释.

结论:

• 多中心验证提高了DL模型用于精神分裂症诊断的可靠性和通用性.
• 该研究成功地将DL发现与精神分裂症中已知的神经生物学差异联系起来.
• 可解释的DL模型具有在精神病诊断中临床应用的巨大潜力.