使用可解释的人工智能对白质超强度对认知影响进行个性化病变症状映射

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 认知神经科学 认知神经科学

背景情况:

• 大脑小血管疾病 (CSVD) 导致影响认知的病变.
• 目前的病变症状映射 (LSM) 方法,如支持向量回归 (SVR),主要提供群体层面的见解.
• 需要个人层面的LSM来理解损伤-认知关系.

研究的目的:

• 引入一种新的,个人级别的LSM方法,使用CNN和XAI.
• 在患者特定的基础上绘制血管病变和认知障碍之间的关系.
• 评估拟议方法的性能与现有技术相比.

主要方法:

• 使用CNN从损伤数据中预测认知分数.
• 可解释性AI (XAI) 技术与CNN集成,以生成损伤归因地图.
• 该方法使用模拟认知数据和来自821名患者的真实白质超强度 (WMH) 地图进行了验证,并与SVR和完全连接的神经网络 (FNN) 进行了基准测试.

主要成果:

• 美国有线电视新闻网 (CNN) 在模拟数据 (R2 = 0.964) 上展示了高预测性能.
• 美国有线电视新闻网与XAI成功生成了患者特定的归因地图,准确地突出了关键病变位置.
• 在真实患者数据上,SVR显示出比CNN (R2 = 0.216) 更高的预测性能 (R2 = 0.291),尽管两者都超过了总WMH体积 (R2 = 0.013).

结论:

• 与XAI相结合的CNN提供了一种可行的方法,用于个人层面的病变-症状映射.
• 这种方法产生了患者特定的归因地图,为病变-认知关系提供了宝贵的见解.
• 这种人工智能驱动的LSM技术的进一步开发对临床应用具有前景.