Aug, 2023

可解释的基于深度学习的影像生物标志物的机器学习模型用于阿尔茨海默病的诊断

PDF
TL;DR机器学习方法在自动早期诊断阿尔茨海默病方面展示了巨大的潜力。本研究提出了一种结合可解释性增强机器（EBM）和基于深度学习的特征提取的框架，以高维成像数据为基础有效识别阿尔茨海默病及认知下降。该框架具有可解释性并通过提供每个特征的重要性来解释决策。研究结果表明，该框架在阿尔茨海默病和认知下降的分类中表现出优异的准确性和面积下曲线（AUC），且显著优于使用体积生物标志物或端到端卷积神经网络（CNN）的 EBM 模型。
machine learningalzheimer's diseaseinterpretabledeep learningfeature extraction
发现论文，激发创造
  • 早期阿尔茨海默病分类的机器学习工作流程，用于解释黑盒模型并在多个数据集上进行评估

    通过对 Shapley 值的解释，研究了极端梯度提升、随机森林和支持向量机等黑盒模型，以及决策树、逻辑回归等可直观解释的模型在早期阿尔茨海默病（Alzheimer's Disease, AD）检测上的应用。结果表明，模型的性能因评估的不同数据集而异。ADNI 和 AIBL 数据集的分类性能得到了显著提高，认知测试分数训练的模型表现出更好的性能，而大脑体积训练的模型表现较差。

    May, 2022

  • IAIA-BL: 数字乳腺 X 线摄影乳类病变分类的基于案例的可解释深度学习模型

    在这项工作中，我们提出了一个针对乳腺 X 线摄影术的可解释机器学习框架，以预测病变性质并追踪放射科医生的推理过程，同时，我们的算法能够突出显示图像中与分类相关的部分，而其他方法则突出显示健康组织和干扰信息。

    Mar, 2021

  • 识别早期轻度认知障碍的解剖生物标志物的机器学习方法

    阿尔茨海默病是一种影响老年人认知和运动功能的进展性神经退行性疾病，通过磁共振成像这种易于接触的方法早期检测阿尔茨海默病对于开发有效干预措施至关重要。本研究旨在对选择基于磁共振成像的生物标志物和将个体区分为健康对照和表现出 5 年内轻度认知损伤的不稳定对照的机器学习技术进行全面分析。该研究利用阿尔茨海默病神经信息学计划（ADNI）和开放获取系列成像研究 3（OASIS-3）的磁共振成像数据，主要关注健康对照和不稳定对照参与者。结果显示高斯朴素贝叶斯和 RusBoost 分类器在 ADNI 数据集上表现最佳，准确率分别达到 76.46% 和 72.48%。对于 OASIS-3 数据集，核朴素贝叶斯和 RusBoost 在 64.66% 至 75.71% 的范围内获得准确率，而在年龄匹配的数据集中进一步提高。计算得出早期认知衰退期间颞内侧皮层、海马体、侧脑室和外侧眶额叶等脑区受到显著影响。尽管存在样本规模较小等限制，本研究的数据协调方法增强了生物标志物选择的稳健性，预示着这种半自动机器学习工作流程在使用磁共振成像进行早期阿尔茨海默病检测方面的潜力。

    May, 2024

  • 将可解释性提升机应用于科学图像数据

    针对计算机视觉中的不透明模型解释困难的问题，同时受到科学研究对可解释的模型的需求，该研究提出了将易于解释的 EBM 模型扩展至科学图像领域的方法，并通过 Gabor 小波变换对图像数据进行处理，改进了当前图像可解释性方法。

    May, 2023

  • 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

  • 基于机器学习的阿尔茨海默病智能诊断

    该研究基于阿尔茨海默病神经影像计划（ADNI）数据集，旨在探讨阿尔茨海默病的早期检测和疾病进展。通过创新的数据预处理策略，包括使用随机森林算法填补缺失数据，处理异常值和无效数据，从而充分挖掘和利用有限的数据资源。通过 Spearman 相关系数分析，我们确定了一些与 AD 诊断强相关的特征。我们构建并测试了三个机器学习模型：随机森林、XGBoost 和支持向量机（SVM）。其中，XGBoost 模型在诊断性能方面表现最佳，准确率达到 91%。总体而言，该研究成功克服了缺失数据的挑战，并为阿尔茨海默病的早期检测提供了有价值的见解，展示了其独特的研究价值和实际意义。

    Feb, 2024

  • 基于卷积神经网络和可解释人工智能的脑部 MRI 扫描诊断痴呆症

    研发了一个使用卷积神经网络和可解释 AI 算法的系统，可用于精确诊断痴呆症，并让所有相关人员可视化和理解结果。

    May, 2024

  • 基于深层反事实推断的阿尔茨海默病预测的量化可解释模型

    通过使用我们提出的框架，综合对应于反事实的结构性磁共振图像，并将其转化为灰质密度图来衡量其在感兴趣区域（ROI）中的体积变化，本研究通过采用一个轻量级的线性分类器来增强构建的 ROIs 的有效性，进而实现了定量诠释，达到了与深度学习方法相当的预测性能，该框架为每个感兴趣区域提供了一个 “与阿尔茨海默病相关性指数”，从而直观地理解个体患者和患者组与阿尔茨海默病进展的大脑状态。

    Oct, 2023

  • 深入探索神经影像中可解释深度学习的综合调查

    本文综述了神经影像领域中可解释深度学习模型的当前状态和应用，讨论了其相关方法、挑战和意见，以及如何利用模型解释性捕捉与模型预测相关的解剖和功能性大脑变化，最后讨论了当前做法的局限性，并提供了有关如何引导未来研究方向以使深度学习模型更加可解释并推进对脑疾病科学理解的宝贵见解和指导。

    Jul, 2023

  • 利用生物标志物提高模型的可解释性和可靠性

    使用临床确立的生物标志物，决策树分类器的解释能够协助医务人员检测错误阳性，从而提高医学诊断模型的可靠性。

    Feb, 2024