预测中风后的康复:使用可解释的AI进行深度学习,多式联络数据和特征选择

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 机器学习 (ML) 对预测中风后症状和康复反应具有前景.
• 高维神经成像数据,小数据集和整合多种数据类型构成重大挑战.
• 准确的预测对于个性化中风恢复策略至关重要.

研究的目的:

• 评估结合神经成像和表格数据用于中风后失语预测的策略.
• 引入和评估一种新的卷积神经网络 (CNN) 方法,将感兴趣区域 (ROI) 与表格数据集成在一起.
• 在中风幸存者中预测口语图片描述能力 (非法斯 vs 非法斯).

主要方法:

• 对比MRI扫描和特征选择策略的2D图像总结.
• 开发了一个CNN,训练有素的组合MRI衍生ROI和象征性表格数据表示.
• 评估了MRI上的2D和3DCNN架构以及758名中风幸存者的表格数据.
• 使用五组分组进行培训,验证和持有测试集 (锁盒).

主要成果:

• 基线逻辑回归实现了0.678的准确度 (仅仅是损伤大小).
• 精度增加到0.757 (增加症状严重程度) 和0.813 (增加恢复时间).
• 最好的性能 (0.854准确度,0.899AUC,0.901F1) 是通过使用8个ROI和表格数据的2D残余神经网络 (ResNet) 实现的.
• 这种模型在286名中度至重度初始失语症 (AUC = 0.865) 参与者的具有挑战性的子集上也表现最好.

结论:

• 通过CNN将神经成像 (ROI) 和表格数据结合起来,显著提高了中风后失语分类的准确性.
• 这种方法甚至在ML中典型的有限数据集大小的情况下也显示出有效性.
• 未来的工作可以通过直接从医院扫描仪中整合图像来进一步提高准确性.