自解释性图形神经网络对阿尔茨海默病和相关痴呆症的风险预测:算法开发和验证研究

科学领域:

• 利用先进的机器学习进行医疗数据分析.
• 为医疗保健应用开发可解释的人工智能 (XAI).

背景情况:

• 阿尔茨海默病和相关痴呆症 (ADRD) 是导致死亡的主要原因,需要准确的风险预测.
• 目前的ADRD风险预测模型通常依赖于医学成像,而医学成像并非普遍可用.
• 索赔数据为识别ADRD风险因素及其相互联系提供了一个有价值的,未得到充分利用的资源.

研究的目的:

• 使用图形神经网络 (GNN) 与索赔数据进行增强的ADRD风险预测.
• 引入一种新的,自我解释的方法来解释GNN预测和识别有影响力的关系.
• 在不同的预测时间窗口 (1,2,3年) 中评估模型的性能.

主要方法:

• 一种变异调节的编码器-解码器 GNN (VGNN) 已开发并与关系重要性方法集成.
• 自解释性方法在ADRD风险预测的背景下提供特征重要性的解释.
• 模型的性能与基线模型进行了评估,包括随机森林 (RF) 和光梯度增强机 (LGBM) 在三个预测场景中.

主要成果:

• 在所有预测窗口中,VGNN模型始终优于RF和LGBM,实现了优异的接收器操作特征下面区域 (AUROC) 评分.
• 例如,在1年的预测窗口中,VGNN实现了0.7272和0.7480的AUROC得分,比基线表现高出9%.
• 综合解释方法提供了对影响ADRD风险和进展的配对因素的见解.

结论:

• 提出的自我解释的GNN方法显著提高了使用索赔数据预测ADRD风险.
• 这种方法为医学规范和ADRD之间的复杂关系提供了宝贵的见解.
• 该方法表明,该方法在ADRD以外的医学预测中具有更广泛的应用潜力,包括图像分析.