可解释的人工智能对MRI分析的实用性:将模型预测与老化大脑的神经图像特征相关联

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 大脑衰老研究研究

背景情况:

• 深度学习模型可以准确地从MRI中预测大脑年龄,但缺乏解释能力.
• 可解释性AI (XAI) 识别了相关的大脑区域,但不是它们的生物含义.
• 弥合XAI和可解释的神经生物学特征之间的差距对于理解大脑衰老至关重要.

研究的目的:

• 将XAI在脑年龄预测模型中的基于voxel的贡献与老化大脑的人类可解释的结构特征联系起来.
• 为了调查哪些特定的老化大脑标志物对深度学习年龄预测最相关.

主要方法:

• 利用两组3D卷积神经网络 (3D-CNN) 在T1加权和流体减弱的反转恢复MRI数据上训练了1855名参与者 (18-82岁).
• 提取了基于XAI的参与者级别相关性地图,以确定年龄预测的重要voxels.
• 与区域灰色物质体积/厚度,周脉体空间 (PVS) 和白物质微分异构相关的XAI相关性地图.

主要成果:

• 所有测试的神经成像大脑衰老标志物,除了PVS,与XAI相关性地图有显著的相关性.
• 心室体积显示出与XAI相关性最强的相关性 (r=0.69).
• 时-皮皮层厚度/体积,小脑灰质体积和前-皮白质道与XAI相关性有很强的相关性.

结论:

• 结合深度学习和XAI可以揭示大脑衰老中的生物相关,多特征的关系.
• 这些模型包含了各种衰老过程,小脑比预期的更有影响.
• XAI有效地将模型预测与特定的神经生物学特征联系起来,增强对大脑衰老机制的理解.