可解释的机器学习算法用于分类静止状态功能性MRI在肌性侧面硬化症
Kaoru Shimano1, Takaaki Hattori1, Eiji Yasuda1
1Department of Neurology and Neurological Science, Institute of Science Tokyo, Japan.
概括
这项研究开发了一种可解释的机器学习模型,使用静止状态fMRI来分类肌缩侧面硬化症 (ALS) 患者. 该模型实现了高精度,识别了ALS中改变的功能网络.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 神经学 神经学
背景情况:
- 肌缩侧面硬化症 (ALS) 是一种致命的神经退行性疾病,影响多个大脑系统.
- 休息状态功能磁共振成像 (rs-fMRI) 显示ALS中大脑功能发生变化.
- 机器学习 (ML) 可以分析复杂的rs-fMRI模式,但往往缺乏透明度.
研究的目的:
- 开发一种可解释的ML管道,用于使用rs-fMRI数据对ALS患者和健康对照 (HC) 进行分类.
- 提高神经疾病分类中的ML模型的透明度.
主要方法:
- 从30名ALS患者和30名HC患者的rs-fMRI数据使用独立组件分析和双回归进行了预处理.
- 一个3D卷积神经网络 (3D-CNN) 被训练用于ALS/HC分类.
- 使用 Saliency 地图和 Grad-CAM++ 来实现模型的可解释性.
主要成果:
- 3D-CNN实现了高分类准确度:78.3%的传感动力网络 (SMN) 和83.3%的视觉网络 (VN).
- 可解释性技术突出显示了有助于分类的关键大脑区域.
- 确定的地区与双重回归分析中发现的跨组差异一致.
结论:
- 开发了一个新的,可解释的ML模型用于rs-fMRI特征提取和分类.
- 在ALS患者中观察到SMN和VN的功能完整性的改变.
- 该管道展示了使用rs-fMRI解释的神经疾病分类的潜力.
