解码帕金森病诊断:一种基于OCT的可解释AI,具有SHAP/LIME透明度,来自波斯队列研究

科学领域:

• 眼科医生 眼科 眼科
• 神经学 神经学
• 人工智能的人工智能

背景情况:

• 帕金森病 (PD) 诊断是具有挑战性的,因为主观评估和症状发病迟到.
• 视网膜光连贯断层扫描 (OCT) 提供了神经退行症的非侵入性生物标志物.
• 将OCT与可解释AI (XAI) 整合起来可以提高PD诊断的准确性.

研究的目的:

• 开发和验证可解释的AI框架用于早期帕金森病诊断,使用视网膜OCT生物标志物和临床数据.
• 为了确定关键的OCT和临床特征预测PD.
• 为了提高诊断的透明度和可靠性.

主要方法:

• 一个6层深度神经网络 (DNN) 使用OCT生物标志物 (骨厚度,体积) 和来自波斯队列研究的临床数据 (运动,嗅觉) 开发.
• 合成少数群体过量采样 (SMOTE) 用于解决阶级不平衡 (PD:健康 ≈ 1: 5).
• SHAP和LIME用于模型解释性,提供全球和本地特征解释.

主要成果:

• 可解释的AI框架实现了95.3%的准确性和0.98的PD诊断AUC-ROC.
• 确定的主要生物标志物包括SUPERIOR4厚度 (<120微米) 和体积膨胀 (>0.15毫米3),以及运动和嗅觉缺陷.
• 在保持高特异性 (94.8%) 的同时,SMOTE减少了12%的假阴性.

结论:

• 这项研究提出了一个透明的,基于OCT的AI框架,用于通过视网膜神经退行模式早期检测PD.
• 多式联运,可解释和强大的模型适用于资源有限的设置.
• 建议在不同人群中进行进一步的验证,并对海外国家和地区的协议进行标准化.