一种结合基于深度学习的影像生物标志物的可解释机器学习模型用于阿尔茨海默病诊断
图像与视频处理
2023-08-17 v1 计算机视觉与模式识别
摘要
机器学习方法在阿尔茨海默病（AD）自动早期诊断中展现出巨大潜力。然而，一些基于影像数据的机器学习方法可解释性差，因为其决策过程通常不明。可解释提升机（EBMs）是基于广义加性建模统计框架的可解释机器学习模型，但迄今仅用于表格数据。因此，我们提出一种框架，通过基于深度学习的特征提取将 EBM 的优势与高维影像数据结合。所提框架是可解释的，因其提供各特征的重要性。我们在阿尔茨海默病神经影像倡议（ADNI）数据集上验证该框架，在 AD 与对照分类中取得 0.883 的准确率和 0.970 的曲线下面积（AUC）。此外，我们在外部测试集上验证该框架，在 AD 与主观认知下降（SCD）分类中取得 0.778 的准确率和 0.887 的 AUC。该框架显著优于使用体积生物标志物替代深度学习特征的 EBM 模型，以及具有优化架构的端到端卷积神经网络（CNN）。
引用
@article{arxiv.2308.07778,
title = {An Interpretable Machine Learning Model with Deep Learning-based Imaging Biomarkers for Diagnosis of Alzheimer's Disease},
author = {Wenjie Kang and Bo Li and Janne M. Papma and Lize C. Jiskoot and Peter Paul De Deyn and Geert Jan Biessels and Jurgen A. H. R. Claassen and Huub A. M. Middelkoop and Wiesje M. van der Flier and Inez H. G. B. Ramakers and Stefan Klein and Esther E. Bron},
journal= {arXiv preprint arXiv:2308.07778},
year = {2023}
}
备注
11 pages, 5 figures