一个可解释的基于网络的阿尔茨海默病诊断系统,使用XRAI和深度学习在脑MRI上

科学领域:

• 人工智能在医学中的应用
• 神经成像分析分析 神经成像分析
• 机器学习用于疾病分类.

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,其特点是认知能力下降.
• 目前用于AD的AI驱动的神经成像缺乏临床解释性和可用性.
• 可解释性AI (XAI) 框架,如XRAI,可以通过可视化增强临床决策.

研究的目的:

• 开发和评估一个临床部署的AI系统用于阿尔茨海默病的严重程度分类使用2D大脑MRI.
• 整合XRAI以提高AI模型预测的可解释性.
• 为实时AD诊断支持创建一个用户友好的Web界面.

主要方法:

• 在一个增强的KaggleMRI数据集 (33,984张图像) 上训练了三个深度学习模型 (MobileNet-V3 Large,EfficientNet-B4,ResNet-50).
• 在增强和原始数据集上评估模型性能,并将XRAI纳入基于区域的归因映射.
• 开发了一个基于Gradio的网络接口,用于实时预测和视觉解释.

主要成果:

• 移动Net-V3表现出高精度 (99.18%增强,99.47%原始) 和最小参数 (4.2M) 的卓越性能.
• XRAI可视化与已知的AD神经解剖学模式相关,改善了临床解释性.
• 网络接口提供了低于20秒的推断时间,具有高可靠性,支持临床工作流程.

结论:

• 这项研究标志着XRAI首次系统地集成到基于MRI的深度学习AD严重程度分类中.
• 移动Net-V3系统为临床使用提供了高准确度,高效率和可解释性的实用解决方案.
• 这项研究为采用可解释的人工智能在早期和准确的阿尔茨海默病检测中提供了一条可行的途径.