AgeNet-SHAP:一种可解释的AI方法,以优化绘制多变量区域大脑年龄和阿尔茨海默病临床严重性模式

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 老年学是一门学科.

背景情况:

• 年龄是轻度认知障碍 (MCI) 和阿尔茨海默病 (AD) 的主要危险因素.
• 了解大脑衰老模式对于正常衰老和MCI/AD进展至关重要.
• 与单变量关系相比,大脑区域和年龄之间的多变量关联尚未得到充分探索.

研究的目的:

• 采用人工智能 (AI) 用MRI数据来预测大脑年龄.
• 使用AI和SHAP识别与年龄相关的显著多变量大脑区域.
• 验证AI方法在预测大脑年龄及其与认知状态的关联方面.

主要方法:

• 利用668个MRI扫描数据集进行大脑年龄预测.
• 对比了各种AI模型,选择了深度学习模型 (AgeNet) 以获得卓越的性能.
• 集成的AgeNet与Shapley添加式解释 (SHAP) 进行特征重要性分析 (AgeNet-SHAP).

主要成果:

• 深度学习模型 (AgeNet) 在大脑年龄预测方面显著超过传统机器学习模型.
• 在模拟中,AgeNet-SHAP成功地确定了预测大脑年龄的关键大脑区域.
• 与认知正常 (CN) 个体相比,MCI和AD组显示出不同的大脑区域差异的独特模式,AD表现出更广泛的变化.
• 个性化的AgeNet-SHAP特征与AD连续体中的临床严重程度相关.

结论:

• 人工智能,特别是与SHAP集成的深度学习,为大脑年龄预测提供了强大的工具.
• AgeNet-SHAP方法有效地识别了与衰老和神经退行相关的关键大脑区域.
• 这种方法支持诊断,预后和针对认知衰退的个性化医学的进步.