PIDGN:一种可解释的多式联络深度学习框架,用于早期预测帕金森病

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 遗传学 遗传学 是一个

背景情况:

• 帕金森病 (PD) 是一种常见的神经退行性疾病,通常诊断迟,缺少最佳治疗窗口.
• 及时诊断对于有效的帕金森病管理至关重要.
• 人工智能 (AI) 为早期和更准确的诊断方法提供了潜力.

研究的目的:

• 为早期帕金森病诊断开发一种可解释的AI模型.
• 整合遗传 (单核酸多态) 和神经成像 (sMRI) 数据以提高诊断准确度.
• 确定导致帕金森病的关键遗传和大脑区域因素.

主要方法:

• 设计了帕金森综合诊断门网 (PIDGN),这是一个可解释的深度学习模型.
• 使用 EmsembleTree,变压器编码器和 3D ResNet 来进行单模特征提取.
• 员工封闭的注意力融合用于模拟数据交互和夏普利增量解释 (SHAP) 和梯度加权类激活映射 (Grad-CAM) 进行解释性.

主要成果:

• PIDGN模型实现了高诊断性能,准确度为0.858,接收器操作特征曲线 (AUROC) 下的面积为0.897.
• 确定了前20个单核酸多态 (SNP) 和特定的大脑区域,特别是在中脑附近,与帕金森病相关.
• 在PIDGN中,融合数据方法的表现优于其他13种单模或双模模型.

结论:

• 可解释的PIDGN模型为帕金森病的自动早期诊断提供了一个潜在的有效解决方案.
• 将遗传和sMRI数据与可解释的AI融合,可以加深对影响PD的关键因素的理解.
• 这种人工智能驱动的方法支持及时诊断,可能改善患者治疗结果.