一个可解释的多式联络深度学习框架用于阿尔茨海默病诊断

科学领域:

• 医疗成像中的人工智能
• 神经科学和神经成像技术
• 生物医学数据科学 生物医学数据科学

背景情况:

• 阿尔茨海默氏症 (AD) 构成了越来越大的公共卫生挑战,早期的神经退行症经常被当前的诊断错过.
• 医学成像,包括MRI和PET,为AD相关的大脑变化提供了洞察力,但对AI框架的整合是有限的.
• 开发可解释的AI用于多式成像对于推进AD诊断至关重要.

研究的目的:

• 开发和评估NeuroFusion-ADNet,这是一种用于改善阿尔茨海默病诊断的新型AI模型.
• 通过结合结构性MRI和功能性PET数据来提高诊断准确性和临床解释性.
• 为早期AD检测创建一个透明和可解释的AI框架.

主要方法:

• 一个双路径深度学习模型NeuroFusion-ADNet被设计用于联合处理MRI和PET数据.
• 该模型包括模式特定的编码器,交叉注意力融合层和基于细分的分类模块.
• 解释性特征,包括注意热图和局部可解释模型-不可知解释,都被整合在一起.

主要成果:

• 神经融合-ADNet实现了99.48%的分类准确度和0.985的子系数,表现优于基线模型.
• 注意力可视化突出显示了模型的重点是临床相关的大脑区域,如海马体和脑内皮层.
• 废弃研究证实了个别建筑组件的意义.

结论:

• 这项研究为阿尔茨海默氏症诊断提供了一个临床上有前途的多式联络人工智能框架.
• 通过可解释的人工智能技术,NeuroFusion-ADNet提高了诊断准确性和透明度.
• 开发的框架为早期AD检测提供了高效,可解释和可部署工具的基础.