疾病驱动的域概括用于基于神经成像的阿尔茨海默病的评估

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 生物医学数据科学 生物医学数据科学

背景情况:

• 分析大脑MRI扫描的深度学习模型对于检测认知障碍非常有价值.
• 模型性能通常受到来自不同来源和成像协议的数据变化所限制.
• 域泛化 (DG) 技术通过使模型能够在各种数据集中学习,提供了一个解决方案.

研究的目的:

• 开发一个使用模型解释性的框架,以提高深度学习模型的概括性,以便在MRI扫描中对认知障碍进行分类.
• 提高AI模型在不同队列和数据采集方法中的稳定性.
• 通过将其性能与现有方法和黄金标准证据进行比较来验证框架的有效性.

主要方法:

• 使用了来自四个独立队列 (ADNI,FHS,AIBL,NACC) 的MRI扫描和临床诊断.
• 训练有素的深度神经网络结合了与统一的视觉突出性相一致的类智能注意力.
• 针对与阿尔茨海默病 (AD),轻度认知障碍 (MCI) 和正常认知 (NC) 相关的脑部区域进行专注的模型训练.

主要成果:

• 拟议的框架证明了与最先进的方法相比具有竞争力的性能.
• 实现了与死后组织学相关性的改善,提供了更强大的发现验证.
• 在各种神经成像数据集中展示了分类模型的增强通用性.

结论:

• 模型解释性可以显著提高神经成像中深度学习模型的概括性.
• 该框架提供了一种经过验证的方法,用于对与认知衰退相关的结构性大脑变化进行强有力的分析.
• 这项工作推进了在临床神经成像研究中应用域泛化技术的应用.