通过相关性图的交互式可视化提升三维卷积神经网络可理解性：在阿尔茨海默病中的评估

背景：尽管卷积神经网络（CNN）在基于磁共振成像（MRI）扫描检测阿尔茨海默病（AD）痴呆方面达到了很高的诊断准确率，但其尚未应用于临床常规。一个重要原因是缺乏模型可理解性。近期开发的用于推导 CNN 相关性图的可视化方法可能有助于填补这一空白。我们研究了准确率更高的模型是否也更多依赖于由先验知识预定义的判别性脑区。方法：我们在 N=663 例痴呆及遗忘性轻度认知障碍（MCI）患者的 T1 加权 MRI 扫描上训练了用于 AD 检测的 CNN，并通过交叉验证和包含 N=1655 例的三个独立样本验证了模型的准确性。我们评估了相关性评分与海马体积之间的关联，以验证该方法的临床效用。为提升模型可理解性，我们实现了三维 CNN 相关性图的交互式可视化。结果：在三个独立数据集中，AD 痴呆与对照组之间的分组区分显示出高准确率（AUC$\geq$0.92），MCI 与对照组之间为中等准确率（AUC$\approx$0.75）。相关性图表明，海马萎缩被视为 AD 检测中最具信息量的因素，其他皮质与皮质下区域的萎缩亦有贡献。海马内的相关性评分与海马体积高度相关（Pearson 相关系数 r$\approx$-0.86，p<0.001）。结论：相关性图突出了我们事先假设的萎缩区域。这增强了以纯数据驱动方式基于扫描与诊断标签训练的 CNN 模型的可理解性。