解释使用Shapley值查认知障碍的多模式特征

科学领域:

• 神经成像是一种神经成像.
• 语音分析 语音分析
• 机器学习用于医疗保健

背景情况:

• 目前的阿尔茨海默病 (AD) 查通常依赖于单个数据类型,如医学成像或语音.
• 以前的研究表明,结合多个数据源 (多模式方法) 与单模式模型相比,可以获得更高的性能.
• 了解每个模式的贡献对于开发用于AD查的强大和可解释的AI模型至关重要.

研究的目的:

• 通过使用可解释AI (XAI) 技术,调查多式联络AI模型对阿尔茨海默病查的特征重要性.
• 确定脑成像与语音特征对模型决策在输入和融合层面对状态和预测查的影响.
• 增强多式人工智能模型用于AD检测的可靠性和临床解释性.

主要方法:

• 使用可解释AI (XAI) 技术,特别是Shapley值 (SHAP,GradSHAP,DeepSHAP),来分析特征的重要性.
• 开发和评估了多式联机机器学习模型,整合了结构性脑成像和对话性语音数据.
• 应用了本地 (个体患者) 和全球 (综合) 分析,以确定关键的预测特征.

主要成果:

• 综合脑成像和语音数据的多模式模型在阿尔茨海默病查中表现出卓越的表现.
• 发现脑成像中的体积特征在分类中比语音中的声学和语言特征更有影响力.
• 对于状态和预测查,XAI分析提供了对输入和融合层面的特征贡献的见解.

结论:

• 结合结构性脑成像和语音数据,可显著提高阿尔茨海默病查准确度.
• 可解释的人工智能方法对于在临床环境中理解和验证多模式的人工智能模型至关重要.
• 大脑成像功能在当前多式调节查模型中比语音功能发挥更为关键的作用,指导未来的研究和临床应用.