基于 LIME 对 DaTscan 影像进行帕金森病早期检测的可解释机器学习模型
计算机视觉与模式识别
2020-08-04 v1 机器学习
图像与视频处理
摘要
帕金森病（PD）是一种退行性和进展性神经系统疾病。早期诊断是改善患者治疗的关键，并通过多巴胺能成像技术如 SPECT DaTscan 进行。在本研究中，我们提出了一种机器学习模型，可准确将任意给定 DaTscan 分类为患有帕金森病与否，并给出预测的合理原因。这种推理通过使用局部可解释模型无关解释器（LIME）方法生成的视觉指示符完成。DaTscan 取自帕金森病进展标志物倡议数据库，并在 CNN（VGG16）上使用迁移学习进行训练，获得了 95.2% 的准确率、97.5% 的灵敏度和 90.9% 的特异度。鉴于模型可解释性在医疗领域尤为重要，本研究利用 LIME 解释在 DaTscan 上使用视觉超像素区分 PD 与非 PD。可以得出结论，所提出的系统结合其可测的可解释性与准确性，可有效辅助医务工作者进行帕金森病的早期诊断。
引用
@article{arxiv.2008.00238,
title = {An Explainable Machine Learning Model for Early Detection of Parkinson's Disease using LIME on DaTscan Imagery},
author = {Pavan Rajkumar Magesh and Richard Delwin Myloth and Rijo Jackson Tom},
journal= {arXiv preprint arXiv:2008.00238},
year = {2020}
}