三维卷积神经网络用于功能磁共振成像的可解释性 基于梯度加权类激活映射的阿尔茨海默病分类

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 深度神经网络显示出使用fMRI数据诊断诸如阿尔茨海默病 (AD) 等神经系统疾病的前景.
• 这些人工智能模型在神经诊断中的解释性仍然是一个重要的研究差距.

研究的目的:

• 为了提高基于fMRI的深度学习模型的可解释性,用于AD诊断.
• 确定特定的大脑感兴趣区域 (ROI),使AD患者与正常对照者 (NCs) 有区别.

主要方法:

• 应用可解释性方法,包括Grad-CAM,用于基于fMRI的3D-VGG16网络.
• 使用预处理的功能活动图 (ALFF,fALFF,ReHo,VMHC) 而不是原始的fMRI数据.
• 修改了3D-VGG16网络,使用全球平均聚合 (GAP) 层来减少过度装配.

主要成果:

• 在测试组上,在AD分类中达到96.4%的最大准确性.
• 可解释性分析强调了前骨和海马作为AD预测的关键ROI.
• 模型专注于更广泛的大脑区域进行正常控制 (NCs).

结论:

• 该研究成功地提高了使用fMRI进行AD诊断的AI模型的可解释性.
• 确定了支持AD神经基础现有研究的特定ROI.
• 这些发现为了解大脑疾病和潜在的新病因学研究途径提供了宝贵的见解.