图片

这篇名为《基于神经成像的痴呆诊断和预后的可解释人工智能》的文章探讨了利用可解释人工智能技术提高神经影像学在痴呆症诊断和预后中的准确性和可信度。研究人员面临的挑战是如何在保证模型预测准确性的同时，提升模型的可解释性，从而使临床医生能够理解模型的决策过程，并对结果更有信心。

 

文章首先介绍了背景，指出尽管人工智能和神经成像技术在痴呆症预测方面取得了显著进展，但“黑盒”模型的不可解释性阻碍了其在临床实践中的广泛应用。可解释人工智能技术应运而生，旨在揭示模型行为和特征影响，但选择合适的可解释人工智能方法并非易事，现有方法在鲁棒性和灵敏度方面也存在不足。文章特别提到了卷积神经网络和视觉转换器这两种常用的深度学习架构。卷积神经网络由于其抽象的局部特征和层次结构，需要后处理方法来生成解释；而视觉转换器的自注意力机制则提供了更直接的解释途径。然而，视觉转换器通常需要海量数据集进行训练，这在医学影像领域较为匮乏。

 

图片

为了解决这个问题，研究者们采用了迁移学习的方法。他们利用在大型自然图像数据集ImageNet上预训练的卷积神经网络(ResNet)和视觉转换器模型，并在较小的痴呆症数据集上进行微调。本研究使用了来自美国国家阿尔茨海默病协调中心(NACC）和阿尔茨海默病神经影像倡议(ADNI)的数据。NACC数据集用于模型训练和测试，ADNI数据集则用作外部测试集，以评估模型的泛化能力。数据预处理包括仿射配准、填充、缩放和标准化等步骤。为了比较2D和3D模型的性能，研究人员分别提取了2D中间切片和3D体数据进行训练。此外，他们还探索了三种三平面融合策略，以结合来自轴位、矢状位和冠状位的信息。
模型训练方面，研究人员分别使用了ResNet和视觉转换器两种架构，并对每种架构进行了超参数搜索以优化模型性能。他们主要关注两个任务：阿尔茨海默病的分类诊断和轻度认知障碍向阿尔茨海默病转化的预后预测。对于预后任务，研究人员探索了两种方法：一种是直接利用在阿尔茨海默病分类任务上训练好的模型进行零样本预测；另一种是结合平均显著性图和阿尔茨海默病概率，使用随机森林模型进行预测。

 

图片

为了评估模型的可解释性，研究人员在卷积神经网络和视觉转换器架构上比较了10种可解释人工智能方法，生成了痴呆相关的显著性图。这些显著性图突出了与阿尔茨海默病相关的脑区，并为轻度认知障碍预后提供了有用的信息。结果显示，模型在阿尔茨海默病分类和轻度认知障碍预后任务上分别达到了81%和67%的平衡准确率。可解释人工智能输出结果与已知的阿尔茨海默病相关脑区相符，验证了模型的有效性和可靠性。
文章的讨论部分强调了可解释人工智能在验证模型是否使用了相关特征以及生成有价值的度量指标方面的作用。研究人员发现，可解释人工智能可以帮助识别模型关注的脑区，并为进一步的分析提供有价值的信息。然而，他们也指出，不同可解释人工智能方法的输出结果存在差异，需要谨慎解读。文章还讨论了视觉转换器在医学成像领域的应用前景，以及如何利用迁移学习和数据增强技术来提高视觉转换器模型的性能。

 

图片

总之，这项研究系统地比较了多种可解释人工智能方法在基于神经成像的痴呆症诊断和预后中的应用效果，为提高人工智能模型的可解释性和可靠性提供了有益的经验。研究结果表明，可解释人工智能可以有效地帮助理解模型的决策过程，并为临床医生提供有价值的信息。未来研究可以进一步探索更鲁棒的可解释人工智能方法，并结合多模态数据，以提高痴呆症诊断和预后的准确性和可解释性。此外，更深入的研究应该关注不同可解释人工智能方法的适用场景和局限性，以及如何将可解释人工智能技术更好地集成到临床实践中。