预测卒中后恢复：基于可解释AI的深度学习、多模态数据与特征选择
人工智能
2023-10-31 v1 计算机与社会
机器学习
摘要
机器学习在自动化预测卒中后症状及其对康复的反应方面具有巨大潜力。此项工作的主要挑战包括神经影像数据的极高维度、可用于学习的相对较小的数据集规模，以及如何有效结合神经影像与表格数据（例如人口统计学信息和临床特征）。本文基于两种策略评估了若干解决方案。第一种是使用概括MRI扫描的2D图像。第二种是选择能提高分类准确率的关键特征。此外，我们引入了一种新方法：在结合从MRI提取的感兴趣区域与表格数据符号表示的图像上训练卷积神经网络（CNN）。我们评估了一系列CNN架构（包括2D和3D），这些架构在不同MRI与表格数据表示上训练，以预测卒中后口语图片描述能力的综合指标是否处于失语或非失语范围。MRI和表格数据来自参与PLORAS研究的758名英语母语卒中幸存者。基线逻辑回归的分类准确率在仅使用病灶大小时为0.678，在依次加入初始症状严重度和恢复时间后分别升至0.757和0.813。当从每次MRI扫描中提取8个感兴趣区域，并与病灶大小、初始严重度和恢复时间在2D残差神经网络中结合时，观察到最高分类准确率0.854。我们的发现展示了即便在机器学习意义上数据集较小的情况下，如何将影像与表格数据结合以实现较高的卒中后分类准确率。最后我们提出了如何通过医院扫描仪的图像改进当前模型以实现更高准确率。
引用
@article{arxiv.2310.19174,
title = {Predicting recovery following stroke: deep learning, multimodal data and feature selection using explainable AI},
author = {Adam White and Margarita Saranti and Artur d'Avila Garcez and Thomas M. H. Hope and Cathy J. Price and Howard Bowman},
journal= {arXiv preprint arXiv:2310.19174},
year = {2023}
}