连接机器学习与临床诊断：一种可解释的 β-淀粉样蛋白 PET 成像生物标志物
图像与视频处理
2024-01-10 v1
摘要
[18F]-florbetaben 正电子发射断层扫描（PET）成像是一种公认的 β-淀粉样蛋白（Aβ）标志物，正越来越多地用于评估阿尔茨海默病（AD）中的 Aβ 沉积。本研究提出了一种新颖的、可解释的基于机器学习的生物标志物，用于基于 [18F]-florbetaben PET 扫描评估 Aβ+ 阳性状态。作为回顾性分析的一部分，我们分析了在本机构获取的 163 例扫描。首先，我们使用区域负荷来训练一个三次支持向量机（SVM）分类器，并使用 5 折交叉验证测试模型。为了在总体上阐明模型的决策过程，我们采用了局部可解释模型无关解释（LIME），将最具影响力的特征投影回 AAL 脑图谱进行可视化。三次 SVM 分类器表现出稳健的性能，在 5 折交叉验证下达到 92.0% 的准确率和 90.5% 的精确率。LIME 分析揭示，模型识别出了影响 Aβ+ 状态的关键脑区，其中额下回皮层、楔叶、嗅皮层、中央后回、缘上回、颞极、丘脑和苍白球贡献显著。该模型展示了高准确率，可与专家解读水平相媲美，并提供了关于受淀粉样蛋白沉积影响最大的脑区的关键见解。通过阐明整体 Aβ+ 状态与特定脑区之间的关系，我们的方法有望为 Aβ 的空间分布与 AD 临床表现之间的相关性提供新的见解。
引用
@article{arxiv.2401.04110,
title = {Bridging Machine Learning and Clinical Diagnosis: An Explainable Biomarker for {\ss}-Amyloid PET Imaging},
author = {Janos Barbero and Ana Franceschi and Luca Giliberto and Patrick Phuoc Do and David Petrover and Jack Nhat Truong and Sean Clouston and Nha Nguyen and Marc Gordon and An Vo},
journal= {arXiv preprint arXiv:2401.04110},
year = {2024}
}
备注
Submitted to the 2024 OHBM Annual Meeting