面向轻度认知障碍和阿尔茨海默病诊断的全方位可解释机器学习框架
机器学习
2025-03-12 v2
摘要
介绍一种可解释机器学习（ML）框架，以增强对轻度认知障碍（MCI）和阿尔茨海默病（AD）诊断的可靠性。所用数据集来自阿尔茨海默病神经影像计划（ADNI），包含来自健康者及MCI/AD患者的脑部MRI体积测量数据和基因数据。通过集成学习方法解决数据集中的类别不平衡问题，利用多种基于归因和反事实的可解释性方法，生成与MCI/AD病理过程相关的多样化解释。将SHAP与反事实解释统一的方法用于评估可解释性技术的鲁棒性。最佳模型获得87.5%的平衡准确率和90.8%的F1分数。归因式可解释性方法识别出与MCI/AD风险相关的显著体积和基因特征。该统一方法提供了关于这些特征必要性和充分性的有用见解，进一步凸显了其在MCI/AD诊断中的重要性。
引用
@article{arxiv.2412.09376,
title = {A comprehensive interpretable machine learning framework for Mild Cognitive Impairment and Alzheimer's disease diagnosis},
author = {Maria Eleftheria Vlontzou and Maria Athanasiou and Kalliopi Dalakleidi and Ioanna Skampardoni and Christos Davatzikos and Konstantina Nikita},
journal= {arXiv preprint arXiv:2412.09376},
year = {2025}
}