面向阿尔茨海尔病分类的深度学习模型病灶聚焦与可解释性的量化方法
计算机视觉与模式识别
2024-09-10 v1
摘要
深度学习 (DL) 模型在阿尔茨海尔病 (AD) 分类中展现出巨大的潜力，但如何理解和解释这些模型仍然具有挑战性，制约了其在临床实践中的应用。虽然显著图等技术在提供模型工作机制的视觉与经验线索方面效果显著，但仍存在理解 DL 模型聚焦于哪些特定脑区以及这些脑区是否与 AD 病理相关的鸿沟。为弥合这一鸿沟，本研究开发了一种量化疾病聚焦策略，首先利用显著图和脑分割技术提升 DL 模型的可解释性；随后提出一种疾病聚焦 (DF) 分数，基于临床已知的基于 MRI 的 AD 病理区域，量化 DL 模型对 AD 相关脑区的聚焦程度。通过该策略，我们比较了包括基线 3D ResNet 模型、预训练 MedicalNet 模型以及带数据增强的 MedicalNet 在内的多个最先进 DL 模型，以对患有 AD 的患者与认知正常患者进行分类；随后评估了这些模型在聚焦疾病相关区域方面的能力。我们的结果显示，不同模型呈现出有趣的疾病聚焦模式，特别是预训练模型和数据增强模型表现出特征性模式，并为模型的分类性能提供了洞见。这些结果表明，我们所开发的用于定量评估 DL 模型聚焦疾病相关区域能力的方法，可能有助于提高 AD 分类中这些模型的可解释性，并促进其在临床实践中用于 AD 诊断的应用。代码已公开于 https://github.com/Liang-lt/ADNI。
引用
@article{arxiv.2409.04888,
title = {A Quantitative Approach for Evaluating Disease Focus and Interpretability of Deep Learning Models for Alzheimer's Disease Classification},
author = {Thomas Yu Chow Tam and Litian Liang and Ke Chen and Haohan Wang and Wei Wu},
journal= {arXiv preprint arXiv:2409.04888},
year = {2024}
}