通过提高机器学习中的解释性来解码脑脊液动态的脉动模式
Ayse Keles1, Pinar Akdemir Ozisik2,3, Oktay Algin4,5,6
1Department of Computer Engineering, Faculty of Engineering and Natural Sciences, Ankara Medipol University, Ankara, Turkey. ayseinan@gmail.com.
Scientific reports
|August 1, 2024
概括
这项研究引入了机器学习,用于在相对照MRI扫描中对脑脊液 (CSF) 进行细分,从而改善疾病诊断. 解释AI模型为CSF动态和特征重要性提供了新的见解.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 脑脊液 (CSF) 分析对于疾病诊断至关重要.
- 阶段对比磁共振成像 (PC-MRI) 捕获CSF流动力学.
- 在PC-MRI中自动CSF细分具有挑战性,并且解释了ML方法尚未被探索.
研究的目的:
- 开发轻量级机器学习 (ML) 算法,用于脊柱PC-MRI中中枢神经液流层细分.
- 用速度编码图像作为ML模型的特征.
- 为了提高ML模型的可解释性,使用SHAP用于CSF动态.
主要方法:
- 使用了来自3TMRI扫描仪的57张PC-MRI板块的数据集 (对照组和异常脊椎病患者参与者).
- 在2176个时间序列图像上训练有素的ML模型,插曲以获得一致的特征大小.
- 采用五倍交叉验证和SHAP用于模型可解释性.
主要成果:
- 使用极端梯度提升 (XGB) 模型实现了高精度:0.99%的精度,0.95%的回忆,0.97%的F1得分.
- SHAP分析提供了有关脉动性特征对CSF光度像素分类的贡献的见解.
- 证明了ML模型在从PC-MRI脉动数据中特征提取和选择方面的有效性.
结论:
- 从PC-MRI脉动数据开发了新的ML模型用于CSF细分.
- 解释的ML方法为理解CSF动态的领域专家提供了有价值的见解.
- 这项工作促进了医疗成像中CSF流的自动化分析和解释.
