协同医疗遗传进化优化和深度卷积生成增强与SHAP驱动的可解释性,用于精确的阿尔茨海默病严重程度分级.

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 神经科学是一个神经科学.

背景情况:

• 准确的早期阿尔茨海默病 (AD) 诊断对于有效的治疗至关重要,但由于数据不平衡,模型可解释性和计算成本而受到阻碍.
• 现有的诊断模型经常与不平衡的数据集和缺乏透明度扎,影响临床采用.

研究的目的:

• 开发一个新的,端到端的诊断框架,用于早期和准确的阿尔茨海默病检测.
• 为了应对数据不平衡,模型解释性低,AD诊断中的计算成本高的挑战.

主要方法:

• 利用医学遗传算法 (MedGA) 优化的卷积神经网络 (CNN) 与深层卷积生成对抗网络 (DCGAN) 集成,用于合成MRI生成.
• 为了模型的可解释性,采用了SHapley添加式扩展 (SHAP),分析了像海马体和杏仁体这样的关键大脑区域.
• 培训并验证了Open Access系列成像研究 (OASIS) 数据集的框架,重点关注四个AD阶段.

主要成果:

• DCGAN生成了700个合成MRI,将回忆能力提高了10%,并平衡了中度痴呆症类数据集 (SSIM=0.92).
• MedGA优化了CNN的超参数,将网络复杂度降低了20%,同时保持了97%的测试准确度.
• SHAP分析显示,海马和杏仁核对分类至关重要,提高了25%的解释性和临床医生的信心.

结论:

• 与阿尔茨海默病诊断的最先进方法相比,拟议的框架显示出优越的预测性能和可解释性.
• 这种综合方法为早期AD分类提供了强大的工具,有望提高医疗保健机构的诊断精度.