基于MRI的放射学和体积学,用于预测阿尔茨海默病的发病,并使用可解释的机器学习

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 无线电学 (Radiomics) 是一种放射学.

背景情况:

• 目前通过结构性MRI和ML检测阿尔茨海默氏病 (AD),往往错过了早期模式,专注于晚期缩.
• 深度学习模型考虑MRI信号强度,但缺乏超出注意区域的解释性.
• 现有的方法在整合各种数据类型以进行全面的AD风险预测方面扎.

研究的目的:

• 开发和解释使用Radiomics功能进行增强的阿尔茨海默病 (AD) 风险预测的时间到事件模型.
• 整合MRI纹理,形状和体积数据与临床和社会人口因素,以进行更全面的风险评估.
• 通过分析个体特征的贡献,提高AD检测模型的可解释性.

主要方法:

• 训练有素的时间到事件模型结合了结构性MRI的Radiomics特征.
• 利用了夏普利添加式解释 (SHAP) 和对模型可解释性的高级解释.
• 在ADNI内部和在AIBL和OASIS-3数据集外部验证的模型.

主要成果:

• 放射学具有显著增强的长期AD预测模型,在Brier分数中表现优于基线模型高达3.02%.
• 模型在外部验证数据集中表现出中度至高的可重复性,尽管数据分布存在差异.
• 确定了与阿尔茨海默氏症相关的特定放射学特征,包括关键大脑区域 (例如,脑内皮层,杏仁体) 的复杂纹理和不规则形状.

结论:

• 放射学特征为预测长期阿尔茨海默病 (AD) 风险提供了宝贵的见解,补充了传统的临床和成像数据.
• 开发的可解释模型为AD检测提供了更易于解释的方法,突出了MRI衍生的特定特征的影响.
• 这些发现支持将放射学纳入临床实践,以便更准确,更易于解释的阿尔茨海默病风险评估.