s²MRI-ADNet:一个可解释的深度学习框架,整合了仅从结构性MRI中对阿尔茨海默病的欧几里德图表表示

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 阿尔茨海默病 (AD) 诊断依赖于各种方法,但早期和准确的检测仍然具有挑战性.
• 结构性MRI (sMRI) 提供了对AD相关的大脑形态学有价值的见解.
• 整合sMRI的多维数据可以增强诊断能力.

研究的目的:

• 开发一种新的深度学习模型,s2MRI-ADNet,用于早期AD诊断.
• 仅从sMRI数据建立AD的多维表示.
• 为了提高诊断准确性,利用来自欧几里德和图形空间的互补信息.

主要方法:

• 利用了来自四个独立数据库的3377名参与者的sMRI数据.
• 构建了一个可解释的深度学习模型 (s2MRI-ADNet),采用双通道策略.
• 来自欧几里德空间的综合灰色物质体积 (GMV) 和来自图形空间的区域放射学相似性网络 (R2SN).

主要成果:

• s2MRI-ADNet实现了更高的分类准确性 (92.1%的数据库内部,91.4%的数据库间).
• 该模型的双通道方法捕获了互补的大脑区域,提供了可解释的见解.
• 结果表明了概括性,可重现性和与临床和生物AD标志物有显著的相关性.

结论:

• s2MRI-ADNet有效地利用互补的多维sMRI表示用于早期AD诊断.
• 该模型显示了临床转化和AD诊断中广泛采用的潜力.
• 这种方法有助于更深入地了解AD的结构性大脑变化.