相关实验视频
Updated: Sep 10, 2025
06:35
Basics of Multivariate Analysis in Neuroimaging Data
Published on: July 24, 2010
17.0K
在阿尔茨海默病中绘制多变量区域大脑年龄和临床严重性模式的可解释的AI方法
Gauri Darekar1,2, Taslim Murad1, Hui-Yuan Miao1
1Department of Radiology, Mallinckrodt Institute of Radiology, Washington University School of Medicine, St Louis, MO, 63110, United States.
Biology methods & protocols
|August 27, 2025
概括
通过MRI扫描, 人工智能可以准确预测大脑的年龄. 这种人工智能模型可以识别关键的大脑区域, 帮助我们了解正常的衰老, 并检测轻微的认知障碍和阿尔茨海默病.
科学领域:
- 神经成像
- 人工智能
- 老年学
背景情况:
- 年龄是轻度认知障碍 (MCI) 和阿尔茨海默病 (AD) 的主要危险因素.
- 了解大脑衰老模式对于诊断和治疗神经退行性疾病至关重要.
- 之前的研究集中在个别的大脑区域, 忽视了与年龄的多变量关联.
研究的目的:
- 开发和验证使用MRI数据准确预测大脑年龄的AI模型.
- 使用可解释的AI方法识别与年龄相关的显著多变量大脑区域.
- 探索人工智能驱动的大脑年龄预测在认知正常个体,MCI和AD患者之间区分的实用性.
主要方法:
- 使用825个MRI扫描数据集来预测大脑年龄.
- 对比各种人工智能 (AI) 模型,包括深度学习 (AgeNet),以预测大脑年龄.
- 将最佳人工智能模型 (AgeNet) 与特征重要性技术 (SHAP,LIME,LRP) 集成,以确定关键的大脑区域.
主要成果:
- 与传统的机器学习模型相比, 深度学习模型AgeNet在预测大脑年龄方面表现出卓越的表现.
- 与SHAP集成的AgeNet (AgeNet-SHAP) 成功识别了预测年龄的关键大脑区域,验证了该方法.
- 在认知正常 (CN) 参与者,MCI和AD患者之间观察到大脑区域的显著差异,AD显示广泛的变化.
- 个性化AgeNet-SHAP特征与阿尔茨海默病连续性中的临床严重性得分相关.
结论:
- 可以解释的人工智能,特别是AgeNet-SHAP, 提供了一种强大的方法来识别与衰老和神经退行相关的脑部区域.
- 这种方法有望在MCI和AD的背景下推进疾病进展跟踪,诊断,预后和个性化医疗.
