使用SECNN-RF框架与可解释AI的阿尔茨海默病的高级可解释诊断

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 早期发现阿尔茨海默病 (AD) 对于有效的治疗干预至关重要.
• 磁共振成像 (MRI) 与人工智能 (AI) 结合,有望改善AD诊断.
• 传统的人工智能模型往往缺乏透明度,阻碍了信任和可解释性.

研究的目的:

• 开发一种可解释的AI (XAI) 框架,用于使用MRI扫描进行早期AD检测.
• 提高AI模型在医学诊断中的透明度和可解释性.
• 评估一种新型人工智能框架在准确识别早期阿尔茨海默病的表现.

主要方法:

• 引入随机森林的挤压刺激卷积神经网络 (SECNN-RF) 框架.
• 在卷积神经网络 (CNN) 中整合挤压刺激 (SE) 块,以强调关键特征.
• 使用 Dropout 层来防止过,并使用随机森林分类器来对特征进行分类.

主要成果:

• SECNN-RF框架实现了高诊断准确率99.89%的早期AD检测.
• 该模型提供了可解释的分析,大大提高了其可解释性.
• 探索了替代机器学习分类器 (决策树,XGBoost,SVM,梯度提升),随机森林产生了最高的准确性.

结论:

• 该SECNN-RF框架代表了可解释AI在早期阿尔茨海默氏病检测使用MRI方面取得的重大进展.
• 开发的模型提供了高精度和提高了透明度,促进了更可靠的临床决策.
• 进一步的研究可以探索 SECNN 框架的变化,使用不同的分类器来优化诊断性能.