有效的切片补丁选择变压器用于可解释的阿尔茨海默病诊断,使用结构性MRI

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 结构磁共振成像 (sMRI) 对早期阿尔茨海默病 (AD) 检测至关重要.
• 视觉转换器 (ViT) 对sMRI分析具有前景,但在临床环境中面临着计算和解释性挑战.

研究的目的:

• 为基于sMRI的AD诊断开发一个高效和可解释的AI框架.
• 为了减少计算开销,并提高ViTs用于AD查的临床适用性.

主要方法:

• 提出了切片补丁选择变压器 (SPSFormer) 框架,该框架选择性地关注相关的sMRI切片和补丁.
• 利用轻量级可学习的得分器和可差异化的Top-k操作员进行高效,端到端的训练.
• 在多个数据集 (NACC,ADNI,AIBL) 中使用Deit和Swin识别器验证模型.

主要成果:

• 与现有的ViT相比,SPSFormer降低了计算要求 (GFLOP) 的2至4倍,同时保持了诊断准确性.
• 确定了与AD神经病理学相关的关键大脑区域 (海马体,杏仁体,丘脑),提高了模型的解释性.
• 通过与认知/生物标志物措施的关联和预后价值来预测从轻度认知障碍转化为AD的预后价值,证明了神经生物学有效性.

结论:

• SPSFormer为使用sMRI进行AD检测提供了一个计算高效和可解释的AI解决方案.
• 该框架的效率和可解释性融合为AD诊断中可靠,临床部署的AI铺平了道路.
• 突出了深度学习中针对性特征选择在医学成像分析中的潜力.