可解释的大脑年龄预测:对形态学和深度学习管道的比较评估
Maria Luigia Natalia De Bonis1, Giuseppe Fasano1, Angela Lombardi2
1Department of Electrical and Information Engineering, Polytechnic University of Bari, Via E. Orabona, 4, 70125, Bari, Italy.
Brain informatics
|December 18, 2024
概括
通过比较大脑年龄预测方法,这项研究发现形态特征和深度学习管道提供了类似的性能. 像SHAP这样的可解释人工智能 (XAI) 方法对于在临床环境中解释这些神经成像生物标志物至关重要.
科学领域:
- 神经成像和计算神经科学
- 医学中的人工智能
背景情况:
- 大脑年龄是大脑健康和神经退行性疾病早期检测的关键生物标志物.
- 目前的大脑年龄预测依赖于MRI扫描的形态学特征或深度学习 (DL).
- 对于这些方法的性能和可解释性,存在有限的系统比较.
研究的目的:
- 为了比较评估基于形态特征的和3D卷积神经网络 (CNN) 管道用于大脑年龄预测.
- 通过各种可解释的人工智能 (XAI) 方法来评估这些管道的可解释性.
- 了解不同XAI技术的临床实用性和可变性.
主要方法:
- 使用多站点神经成像数据集进行模型培训和验证.
- 雇佣FreeSurfer进行形态特征提取和3D CNN用于基于DL的预测.
- 应用了SHAP,Grad-CAM和DeepSHAP来分析两条管道的可解释性.
主要成果:
- 在一个独立的测试套件上,在形态测量和DL管道上实现了可比的,最先进的性能.
- 在基于特征的管道中,SHAP展示了最一致和可解释的结果.
- DeepSHAP显示出更高的变异性,因此需要进一步评估Grad-CAM的临床效用.
结论:
- 形态测量和DL管道为大脑年龄预测提供了类似的性能.
- XAI方法为模型预测提供了有价值的见解,SHAP显示出强大的可解释性.
- 将XAI集成到临床实践中对于理解和信任神经成像生物标志物至关重要.
