神经图像深度学习中的解剖学解释性:典型衰老和创伤性脑损伤的突出方法
Kevin Guo1, Nikhil Chaudhari2, Tamara Jafar3
1Thomas Lord Department of Computer Science, Viterbi School of Engineering, University of Southern California.
Research square
|November 1, 2024
概括
集成梯度最能解释大脑年龄估计的深度神经网络,识别诸如心室扩张等衰老特征. 其他方法表现出不同程度的成功,有些方法位于大脑外.
科学领域:
- 神经成像和人工智能的人工智能
- 计算神经科学是一种神经科学.
- 医学图像分析 医学图像分析
背景情况:
- 深度神经网络 (DNN) 提供了从MRI估计生物大脑年龄 (BA) 的潜力,但它们的"黑子"性质阻碍了临床信任.
- Saliency 地图对于通过突出相关的神经解剖特征来提高 DNN 可解释性至关重要.
- 了解突出性方法的性能对于对神经成像中DNN发现的可靠解释至关重要.
研究的目的:
- 为了比较七种流行的基于归因的突出性方法,用于DNN中对MRI估计BA的解释性.
- 在存在神经解剖学偏差的情况下评估度图的稳定性,例如轻度创伤性脑损伤 (mTBI).
- 确定最有效的突出性方法来定位已知的与年龄相关的大脑变化.
主要方法:
- 经过培训和验证的DNN使用认知正常成年人的MRI数据来估计BA.
- 用七种基于归因的方法为认知正常和mTBI队列生成突出性地图.
- 对已知的衰老神经解剖特征和替代地面真理进行评估突出性地图的准确性.
主要成果:
- 综合梯度方法可靠地确定了关键的解剖衰老特征 (例如,心室扩张,海马缩,沟扩大).
- 梯度沙普利增量解释,输入 × 梯度和掩盖梯度在突出老化特征方面取得了部分成功.
- 梯度突出性,引导后向传播和引导梯度重量类归属映射产生了大脑外的不良突出性.
结论:
- 综合梯度是解释基于DNN的BA估计的最有效的度方法,因为它具有卓越的神经解剖学定位.
- 该研究强调了不同突出度方法在典型衰老和mTBI后的DNN可解释性方面的相对权衡.
- 这些发现指导了选择适当的突出性技术,以在大脑年龄预测中提供可靠的神经解剖学解释.
