统一解释性与可解释性用于阿尔茨海默病进展预测
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
该研究提出了一种多模态分层多任务学习方法,可以在访问轨迹的每个时间点监控疾病进展的风险,并且相较于最先进的基线模型,在预测阿尔茨海默病进展风险和综合评分上表现更好。
Apr, 2024
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
通过分析 2008 年至 2023 年间基于深度学习技术和强化学习的阿尔茨海默病诊断论文,发现深度学习方法具有提取特征并具有良好准确度对阿尔茨海默病进行分类的巨大能力,需要探索 DRL 在痴呆症检测领域的应用。
Apr, 2023
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
这篇研究提出了一种新的几何学学习方法,通过结合拓扑空间转移、ODE-RGRU 和轨迹估计来建模长期的磁共振成像生物标记物和认知评分,并开发了一种训练算法,将流形映射与单调性约束相结合,以反映测量转换的不可逆性。通过在规则和不规则环境下预测临床标签和认知评分的时间,验证了所提出方法的有效性,并通过消融研究对该框架进行了全面分析。
Oct, 2023
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。
Feb, 2023
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。
Aug, 2023