FaithfulNet:使用结构MRI进行自闭症诊断的可解释的深度学习框架

科学领域:

• 神经科学
• 人工智能
• 医疗诊断

背景情况:

• 深度学习模型提供了诊断自闭症等复杂神经疾病的潜力,
• 可解释的人工智能 (XAI) 技术对于解释这些模型至关重要,增加了对临床应用的信任.
• 了解自闭症的神经相关性对于开发有效干预至关重要.

研究的目的:

• 开发和验证使用sMRI数据进行自闭症诊断的可解释的深度学习模型.
• 通过XAI识别与自闭症相关的特定大脑区域及其对学业表现的影响.
• 创建一个新的,忠实的视觉解释方法 (Faith_CAM) 用于自闭症的深度学习预测.

主要方法:

• 使用结构磁共振成像 (sMRI) 数据的ABIDE-II数据集.
• 开发了一个深度学习模型,
• 应用基于梯度的类激活地图和SHAP梯度解释器,以实现模型的解释性.
• 整合解释以创建Faith_CAM, 使用指针游戏得分量化并用大脑结构面具进行分析.

主要成果:

• 实现了高分类准确率99.74%和自闭症诊断曲线下的面积 (AUC) 1.
• 在自闭症患者中成功鉴定出受损的大脑区域.
• 量化了这些障碍对与学业成绩相关的记忆区域的影响.

结论:

• XAI开发的Faith_CAM方法为自闭症诊断提供了可靠和可解释的方法.
• 这项研究成功地将自闭症诊断与影响认知功能和学业表现的特定神经障碍联系起来.
• 这些发现支持针对自闭症儿童的个性化治疗策略的开发.