Feb, 2023

LAVA: 基于颗粒神经元水平的可解释性 AI 系统，用于根据底片图像评估阿尔茨海默病

PDF
TL;DR本研究提出了一个新的模型不可知可解释的 AI 框架，Granular Neuron-level Explainer（LAVA），用于评估视网膜成像直接从中评估阿尔茨海默病连续体，以验证视网膜血管形态特征作为阿尔茨海默病（AD）评估的生物标志物和诊断模态，结果表明 LAVA 在识别阿尔茨海默病阶段上表现强大的前景和效果。
发现论文，激发创造
  • 结构注重型神经退行性卷积神经网络用于阿尔茨海默病建模与分类

    该研究提出了一种结合了伽玛校正和脑结构专注的神经退化卷积神经网络（SNeurodCNN）的机器学习框架，用于区分早期阿尔茨海默病（AD）和轻度认知障碍（MCI），通过实验证明该模型在诊断及特定脑区变化的准确性、特异性和敏感性方面表现出色，成为早期 AD 诊断的潜在大脑结构变化数字生物标志物。

    Jan, 2024

  • 深度 3D 卷积神经网络的视觉解释在阿尔茨海默病分类中的应用

    研究开发了三种有效的方法来从三维卷积神经网络 (3D-CNN) 中生成视觉解释，用于阿尔茨海默病分类。这些方法基于敏感性分析和网络激活的可视化，并且都能够识别出对阿尔茨海默病诊断非常重要的脑部部位，并提高了对 3D-CNN 在阿尔茨海默病分类中的理解。

    Mar, 2018

  • 用于解码阿尔茨海默病的可解释的多模态神经影像学 - 基因组学生成框架

    阿尔茨海默病（AD）是认知能力逐渐下降的最常见的痴呆形式之一。本研究采用结构和功能性 MRI 探究了疾病引起的灰质和功能网络连接变化，并引入基因 SNP 作为第三个通道。我们提出了一种基于深度学习的分类框架，使用 Cycle GAN 生成模块来填补潜在空间中的缺失数据。通过整合梯度的可解释 AI 方法，提取了输入特征的相关性，增强了对学习表示的理解。实验结果表明，我们的模型能够在 CN/AD 分类中达到 SOA，平均测试准确率为 0.926±0.02。对于 MCI 任务，使用预训练模型进行 CN/AD 预测的平均准确率为 0.711±0.01。解释性分析揭示了与 AD 相关的皮层和皮下脑区的重要灰质调节，并确定了感觉运动和视觉静息态网络连接的损伤以及与淀粉样蛋白和胆固醇形成和清除调控相关的生物过程的 SNP 突变作为性能的贡献因素。总体而言，我们的综合深度学习方法在 AD 检测和 MCI 预测方面显示出潜力，同时为重要的生物学洞察提供了新的见解。

    Jun, 2024

  • 基于深度监督可适应三维卷积网络的阿尔茨海默病诊断

    本文提出了一种基于 3D 卷积神经网络的方法，通过学习通用的 AD 生物标志物特征并适应不同领域的数据集，在没有经过颅骨去除的 MRI 数据集上，通过对解剖形态变异的捕捉，实现了 AD 的预测和分类，并在实验中验证了其优越性和鲁棒性。

    Jul, 2016

  • 深度学习在阿尔茨海默病诊断中的实际应用

    本研究探讨将深度学习模型应用于阿尔兹海默病的诊断，使用 3D 卷积神经网络进行训练和测试，并设计了一个算法集成，能够优于任何单独算法，在超过 1500 个完整的脑部体积中展现出良好的分类性能和突出的诊断能力，这些算法具有成为软件包的潜力，能够协助医生 / 放射科医生更好地诊断阿尔兹海默病。

    Dec, 2022

  • 利用机器学习方法识别阿尔茨海默病痴呆程度

    采用 RF、SVM 和 CNN 算法，并利用分水岭分割从 MRI 图像中提取特征，我们提出了一种对痴呆的四个阶段进行分类的方法。结果显示，具有分水岭特征的 SVM 具有 96.25% 的令人印象深刻的准确率，超过其他分类方法。该方法在 ADNI 数据集上评估，并观察到分水岭分割的引入有助于模型的改进性能。

    Nov, 2023

  • 为痴呆症检测增加有针对性的特征的神经模型

    本研究采用基于 CNN-LSTM 体系结构的神经模型，使用定向和隐式学习的方法从对话转录中学习，从而检测阿尔茨海默病及相关痴呆疾病的存在，实现了对 DementiaBank 数据集的新的最先进性能，将参与者分类为 AD 和对照组的 F1 分数达到 0.929。

    Jun, 2019

  • AXIAL：基于 2D CNN 的 3D MRI 脑部扫描的阿尔茨海默病定位诊断可解释性的注意力机制

    这项研究提出了一种创新的方法来诊断阿尔茨海默病，使用设计用于增强模型决策可解释性的 3D MRI。我们的方法采用了软注意力机制，使 2D CNN 能够提取体积表示。同时，学习每个切片在决策中的重要性，生成了一个能够解释的 MRI 的体素级注意力图。通过使用阿尔茨海默病神经影像学计划（ADNI）的一个标准化的 MRI 数据集来测试我们的方法并确保结果的可重复性。在这个数据集上，我们的方法在两个任务中显著优于最先进的方法：（i）将 AD 与正常认知（CN）区分，准确率为 0.856，Matthew's 相关系数（MCC）为 0.712，分别比第二名提高了 2.4％和 5.3％；（ii）在区分稳定和进展性轻度认知障碍的预测任务中，准确率为 0.725，MCC 为 0.443，比第二名分别提高了 10.2％和 20.5％。我们通过采用双重迁移学习策略实现了这一预测结果，增强了对形态变化的敏感性，并促进了早期 AD 的检测。通过体素级精确度，我们的方法确定了哪些特定区域受到关注，并确定了这些主导脑区域：海马、杏仁核、视角回、下侧脑室。所有这些区域与 AD 的发展有关。此外，我们的方法在不同的交叉验证折叠中始终找到了相同的与 AD 相关的区域，证明了其在突出与该疾病的已知病理标志密切相关的区域方面的稳健性和精确性。

    Jul, 2024

  • 结构性 MR 和 FDG-PET 图像的多模态和多尺度深度神经网络用于早期诊断阿尔茨海默病

    本文提出了一个利用多模态和多尺度深度神经网络的新框架来早期诊断阿尔茨海默病，能够更好地表征人脑变化，并比现有文献的结果具有更好的区别能力。该方法在 3 年内预测致残的受试者的准确度为 85.68％。

    Oct, 2017

  • 基于多层特征的注意力机制三维卷积神经网络在脑图像中用于阿尔茨海默病诊断

    本研究提出了一种基于 ResNet 的端到端 3D CNN 框架，结合注意力机制作用下获取的多层特征，以更好地捕捉脑部图像的细微差异，用于阿尔茨海默病的诊断。在 ADNI 数据库的 792 个受试者上进行了消融实验验证，基于 sMRI 和 PET 分别实现了 89.71% 和 91.18% 的诊断准确率，并且超过了一些最先进的方法。

    Aug, 2023