神经精神病学的3D CNN:使用可解释的深度学习预测自闭症,应用于最小预处理的结构性MRI数据

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 神经精神疾病需要强大的,可重复的基于大脑的标记物.
• 深度学习 (DL) 显示出希望,但在3D成像和可解释性方面面临挑战.
• 当前的机器学习 (ML) 方法通常需要广泛的数据预处理.

研究的目的:

• 开发一个可解释的3D深度学习管道用于自闭症诊断,使用结构性MRI.
• 在预测建模中绕过模板空间转换的需求.
• 通过模型解释识别与自闭症相关的大脑区域.

主要方法:

• 在ABIDE I和II数据集 (n=1329) 上训练有素的3D深度学习模型用于自闭症诊断.
• 在没有模板规范化的最小处理结构MRI扫描中应用模型.
• 利用模型解释技术来识别有贡献的大脑区域.

主要成果:

• 预测准确度与以前的ML研究相提并论.
• 在左侧化语言网络中成功识别了与自闭症相关的结构变化.
• 展示了一种减少预处理时间和资源需求的方法.

结论:

• 一个可解释的3D DL管道可以从结构性MRI中准确推断自闭症诊断.
• 该方法为传统的ML管道提供了一个计算效率高的替代方案.
• 这些发现突显了DL在识别自闭症和其他疾病的神经生物学标志物的潜力.