解锁神经网络透明性：基于雅可比矩阵的阿尔茨海默病可解释AI
计算机视觉与模式识别
2025-06-17 v3 机器学习
摘要
阿尔茨海默病（Alzheimer's disease, AD）导致认知功能逐渐衰退，早期检测对于有效干预至关重要。虽然深度学习模型在AD诊断中展现出高准确率，但其缺乏可解释性限制了临床信任和实际应用。本文引入一种新颖的“模型前置”方法，利用雅可比矩阵（Jacobian Maps, JMs）构建多模态框架，以提升AD检测的可解释性和可信度。通过捕捉局部脑容量变化，JMs在模型预测与AD已知神经解剖生物标志物之间建立了有意义的相关性。我们通过实验对比在JMs上训练的3D CNN与在传统预处理数据上的模型，验证了JMs的优越性能。我们还采用3D Grad-CAM分析，提供视觉和量化的见解，进一步展示了改进的可解释性和诊断可靠性。
引用
@article{arxiv.2504.03230,
title = {Unlocking Neural Transparency: Jacobian Maps for Explainable AI in Alzheimer's Detection},
author = {Yasmine Mustafa and Mohamed Elmahallawy and Tie Luo},
journal= {arXiv preprint arXiv:2504.03230},
year = {2025}
}
备注
PM4B 2025 Best Paper