可解释的多重图形传播网络与多模式神经图像集成用于痴呆症亚型诊断

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 痴呆症的诊断依赖于各种数据,神经成像提供了最少的侵入性方法.
• 机器学习,特别是图形神经网络 (GNN),通过分析大脑连接来提高诊断准确性.
• 目前的GNN方法难以捕捉全球大脑连接,缺乏临床解释性.

研究的目的:

• 提出一种新的,可解释的方法来使用多式联络神经成像数据来诊断痴呆症亚型.
• 解决现有GNN在捕捉全球连接和保持模型透明度方面的局限性.
• 开发一种临床上适用于痴呆症诊断的工具.

主要方法:

• 开发了可解释的多重图形传播网络 (EMGPN),集成多式模式的神经图像.
• 利用多重图表来表示跨模式的本地和全球大脑连接.
• 采用透明的架构,没有隐藏的层次,以提高可解释性.

主要成果:

• 在痴呆症亚型诊断中,EMGPN显示了比现有方法平均8.6%的性能改善.
• 该模型成功产生了可解释的输出,包括特定区域的模式贡献.
• 制作了特定亚型的大脑区域重要性图,以帮助临床解释.

结论:

• 基于神经成像的痴呆症诊断,EMGPN提供了一种强大且易于解释的方法.
• 该方法提高了诊断性能,同时为临床决策提供了至关重要的透明度.
• 在识别痴呆症亚型方面,EMGPN显示出临床应用的巨大潜力.