面向阿尔茨海默病诊断的生成式 AI 异常检测工具统计检验
机器学习
2024-10-18 v1
摘要
阿尔茨海默病诊断因其机制理解有限以及患者间差异大而具备挑战性。神经退行性变因其作为临床诊断生物标志物而广受关注，可从脑磁共振程度序列中进行测量。另一方面，生成式 AI 在医学影像异常检测方面显示出前景，可用于肿瘤检测等任务。然而，由于双掷（double-dipping）假设检验问题，测试此类数据驱动方法的可靠性并不容易。本文提出了解决该问题的方案，采用选择性推断方法，开发出可靠的生成式 AI 方法用于阿尔茨海默病预测。我们表明，与具有显著夸大 p 值的传统统计方法相比，选择性推断在所需的显著性水平下成功控制了假发现率（FDR），同时保持统计检验功效。在实际应用中，我们的管道可帮助临床医生进行阿尔茨海默病诊断和早期干预。
引用
@article{arxiv.2410.13363,
title = {Statistical testing on generative AI anomaly detection tools in Alzheimer's Disease diagnosis},
author = {Rosemary He and Ichiro Takeuchi},
journal= {arXiv preprint arXiv:2410.13363},
year = {2024}
}