在基于MRI的阿尔茨海默氏症疾病分类中,骨剥离诱导了捷径学习

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:

• 深度神经网络在从结构性MRI中对阿尔茨海默病 (AD) 进行分类时达到很高的准确性.
• 驱动这些分类的特定图像特征仍然不清楚,这给临床信任带来了挑战.

研究的目的:

• 系统地评估T1加权 (T1w) MRI纹理,体积信息和预处理步骤,特别是头骨剥离,对AD分类的贡献.
• 研究在AD中基于深度学习的疾病分类背后的机制.

主要方法:

• 使用了来自AD患者和对照组 (ADNI数据库) 的990个T1wMRI数据集.
• 通过骨剥离和强度二元化进行多样化的预处理,以隔离纹理和形状贡献.
• 训练了3D卷积神经网络,并使用层wise Relevance Propagation和光谱聚类分析了特征相关性.

主要成果:

• 在不同预处理条件下,分类准确性,敏感性和特异性保持稳定.
• 模型对灰白质质纹理的依赖最小,对二元化图像的表现类似.
• 卷积特征,特别是由头骨剥离引入的大脑轮,被模型始终使用.

结论:

• 深度学习模型展示了捷径学习,依赖于预处理工件 (头骨剥离) 而不是真正的与疾病相关的特征.
• 这强调了可解释性工具对于检测偏见和确保医疗成像中强大,可信赖的AI至关重要.
• 仔细考虑数据集特征和预处理对于开发临床相关和验证的深度学习模型至关重要.