可解释深度学习在神经成像中的应用:综合性综述

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 机器学习 机器学习
• 可解释的人工智能

背景情况:

• 深度学习 (DL) 模型的临床采用受到其"黑子"性质的限制,引发了对可信度和可靠性的担忧.
• 这些担忧在神经成像中被放大,因为复杂的大脑表型和主体间的变异性.
• 可解释深度学习 (iDL) 通过可视化和解释DL模型操作提供了一个解决方案.

研究的目的:

• 系统地审查iDL方法的神经成像应用.
• 在现有文献中批判性地分析iDL解释性质的评估.
• 确定神经成像数据的最佳iDL方法,并建议未来的研究方向.

主要方法:

• 进行了使用iDL方法的神经成像研究的系统文献审查.
• 鉴定和分类了在审查的研究中使用的十种不同类型的iDL方法.
• 分析了iDL解释的五个关键特性:生物有效性,稳定性,连续性,选择性和下游任务性能.

主要成果:

• 七十五项研究被纳入了审查.
• 确定了十种类型的iDL方法.
• 当前文献中最常见的iDL方法可能在神经成像数据分析方面不足于最佳.

结论:

• 尽管iDL有可能提高对神经成像人工智能的信任,但目前流行的方法需要重新评估.
• 需要进一步的研究来开发和验证专门针对神经成像数据复杂性的iDL方法.
• 优化iDL方法对于推进AI在神经科学中的可靠临床应用至关重要.