在阿尔茨海默氏症疾病分类中使用多个脑部测量的生物标志物调查,从MRI到可解释的人工智能
Davide Coluzzi1,2, Valentina Bordin1, Massimo W Rivolta2
1Dipartimento di Elettronica, Informazione e Bioingegneria, Politecnico di Milano, 20133 Milan, Italy.
Bioengineering (Basel, Switzerland)
|January 24, 2025
概括
这项研究比较了阿尔茨海默病 (AD) 分类的深度学习模型,发现不同的数据类型提供了互补的见解. 可解释的AI指标揭示了模型如何使用生物标志物,为可靠的诊断工具铺平了道路.
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:
- 阿尔茨海默病 (AD) 是全球痴呆的主要原因.
- 深度学习 (DL) 对AD分类有希望,但其依赖生物指标的依赖性尚不清楚.
- DL模型的可解释性对于临床信任和诊断应用至关重要.
研究的目的:
- 将使用结构连接的新型DL模型 (BC-GCN-SE) 与使用结构MRI进行AD分类的既定模型 (ResNet18) 进行比较.
- 引入和利用一种新的可解释的人工智能 (XAI) 度量来评估模型对已知的AD生物标志物的坚持.
- 探索DL模型中不同神经成像模式 (MRI与连接) 所提供的互补的见解.
主要方法:
- 开发了一种基于梯度加权类激活映射的新型XAI度量,用于定量可解释性评估.
- 在132个大脑块上比较了BC-GCN-SE (结构连接) 和ResNet18 (结构MRI) DL模型.
- 评估了分类表现 (真实阳性/阴性率) 和分析了与AD相关地区相比的可解释性模式.
主要成果:
- 这两种模型都取得了令人满意的分类性能 (ResNet18:TP 0.817,TN 0.816;BC-GCN-SE:TP 0.703,TN 0.738).
- 在XAI分析中发现了不同的生物标志物参与:ResNet18的中间叶和BC-GCN-SE的默认模式网络.
- 统计测试证实了这些确定的大脑区域的相关性.
结论:
- 不同的神经成像模式为AD分类中的DL模型提供了补充信息.
- 开发的XAI指标有效地衡量了模型对领域知识和生物标志物的坚持.
- 这些发现支持开发更全面和可信的DL神经退行性疾病的诊断支持工具.
