基于近红外光谱的功能性近红外光谱,使用可解释的人工智能对严重抑郁症进行计算机辅助诊断:与传统机器学习进行比较

科学领域:

• 神经科学是一个神经科学.
• 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:

• 有限的可解释AI (XAI) 模型存在,用于基于功能近红外光谱 (fNIRS) 的计算机辅助诊断 (CAD) 大型抑郁症 (MDD).
• 现有的方法在识别诊断生物标志物的过程中往往缺乏透明度.

研究的目的:

• 开发和实施一个使用卷积神经网络 (CNN) 的XAI模型,用于MDD的基于fNIRS的CAD.
• 要突出MDD患者和健康对照 (HCs) 之间的半球间不对称差异.
• 提高精神病诊断中的深度学习模型的可解释性.

主要方法:

• 在口头流利任务中,将基于CNN的XAI模型应用于48名MDD患者和68名HC的fNIRS数据.
• 利用层级相关性传播 (LRP) 来识别输入数据对模型预测的贡献.
• 在绩效评估中使用十倍交叉验证.

主要成果:

• 实现了平均准确度为81.17%,灵敏度为79.5%,特异性为82.38%.
• LRP确定了背侧前额皮层 (DLPFC) 对于分类至关重要.
• 在MDD患者的大脑活动模式中揭示了明显的半球间不对称性.

结论:

• 开发了一种高性能XAI模型,用于基于fNIRS的MDD诊断.
• 成功可视化了深度学习模型的决策过程.
• 证明了该模型能够识别MDD的神经生理学标志物的能力.