基于XAI利用MRI多脑度量进行阿尔茨海默病分类的生物标志物研究
图像与视频处理
2025-01-20 v1 神经元与认知
摘要
阿尔茨海默病（AD）是全球领先的痴呆病因，一种渐进性损害疾病，导致高住院率与死亡率。为优化诊断流程，众多努力投向开发深度学习（DL）方法以自动分类AD。然而其典型的黑箱特性导致临床框架内信任度低、应用少。在本工作中，我们提出两个最先进的DL模型，分别训练于结构MRI（ResNet18）与源自扩散数据的脑连接矩阵（BC-GCN-SE）。模型最初按分类准确率评估。随后，使用可解释人工智能（XAI）方法（Grad-CAM）分析结果以衡量两模型的可解释性水平。XAI评估在132个脑区上进行，这些脑区提取自Harvard-Oxford与AAL脑图谱的组合，并与知名病理区域比较以衡量对领域知识的契合度。结果相较已有文献显示出可接受的分类表现（ResNet18：TPRmedian = 0.817，TNRmedian = 0.816；BC-GCN-SE：TPRmedian = 0.703，TNRmedian = 0.738）。经统计检验（p < 0.05）与最相关脑区排序（前15%），Grad-CAM揭示ResNet18与BC-GCN-SE模型均涉及目标脑区：内侧颞叶与默认模式网络。所得可解释性并非没有局限。尽管如此，结果表明结合不同成像模态可提升分类表现与模型可靠性。这可能增强对DL模型的信心，并有利于其作为辅助诊断工具的广泛应用。
引用
@article{arxiv.2305.03056,
title = {Biomarker Investigation using Multiple Brain Measures from MRI through XAI in Alzheimer's Disease Classification},
author = {Davide Coluzzi and Valentina Bordin and Massimo Walter Rivolta and Igor Fortel and Liang Zhang and Alex Leow and Giuseppe Baselli},
journal= {arXiv preprint arXiv:2305.03056},
year = {2025}
}
备注
26 pages, 5 figures