基于MRI的阿尔茨海默氏症疾病分类可解释AI模型的比较

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:

• 深度学习,特别是卷积神经网络 (CNN),越来越多地用于阿尔茨海默病 (AD) 的分类和痴呆症严重程度评估,使用3D T1加权的大脑MRI.
• 现有研究通常依赖于ADNI和NACC等数据集,主要来自北美和欧洲人口,这可能会限制概括性.

研究的目的:

• 通过结合闭塞灵敏度分析 (OSA) 和梯度加权类激活映射 (Grad-CAM) 来评估用于AD诊断的深度学习模型的解释性.
• 评估CNN模型在北美/欧洲数据集上训练的概括能力,当应用于多样化的印度队列 (NIMHANS) 时.
• 调查CNN模型培训对综合数据集 (ADNI/NACC+NIMHANS) 的影响,以提高性能和通用性.

主要方法:

• 卷积神经网络 (CNN) 用于对阿尔茨海默病进行分类,并从3D T1加权的大脑MRI扫描中推断痴呆症的严重程度.
• 封闭灵敏度分析 (OSA) 和梯度加权类激活映射 (Grad-CAM) 被整合起来,以提高模型的解释性.
• 使用来自北美/欧洲 (ADNI,NACC) 和印度 (NIMHANS) 的数据集测试了模型性能和通用性,包括使用组合训练数据的实验.

主要成果:

• 使用OSA和Grad-CAM的特征局部化分析表明与已知的阿尔茨海默病病理学知识一致.
• 可解释性方法揭示了不同的特征分辨率,有助于理解CNN模型的诊断推理.
• 实验表明,在组合数据集上训练的模型可能会为新人群提供更好的概括.

结论:

• OSA和Grad-CAM是解释阿尔茨海默病神经成像中的深度学习模型的宝贵工具,为推动诊断预测的特征提供了洞察力.
• 对基于人工智能的诊断工具的临床翻译来说,评估不同人群中的模型通用性至关重要.
• 结合各种数据集来训练CNN,可以开发更强大,更广泛的AI模型来诊断神经退行性疾病.