基于深度反事实的可定量解释阿尔茨海默病预测模型
人工智能
2023-10-06 v1 图像与视频处理
摘要
用于预测阿尔茨海默病(AD)的深度学习(DL)已在疾病进展中提供了及时干预，但仍需要关注可解释性以解释其DL模型如何做出确定性决策。近来，反事实推理因能提供精细的视觉解释图而在医学研究中日益受到关注。然而，仅基于视觉检查的此类视觉解释图是不够的，除非我们通过定量特征直观地证明其医学或神经科学有效性。在本研究中，我们使用提出的框架合成反事实标记的结构性MRI，并将其转换为灰质密度图，以测量其在分区的感兴趣区域(ROI)上的体积变化。我们还设计了一个轻量级线性分类器，以提升构建的ROI的有效性，促进定量解释，并取得了与DL方法相当的预测性能。在此过程中，我们的框架为每个ROI生成“AD相关指数”，并就AD进展为单个患者和患者群体提供了对大脑状态的直观理解。
引用
@article{arxiv.2310.03457,
title = {A Quantitatively Interpretable Model for Alzheimer's Disease Prediction Using Deep Counterfactuals},
author = {Kwanseok Oh and Da-Woon Heo and Ahmad Wisnu Mulyadi and Wonsik Jung and Eunsong Kang and Kun Ho Lee and Heung-Il Suk},
journal= {arXiv preprint arXiv:2310.03457},
year = {2023}
}
备注
15 pages, 5 figures, 4 tables