Brain2020: 阿尔茨海默病分类的可解释深度学习框架的研发与验证

简介：
简介：本文介绍了开发和验证一种新型深度学习框架Brain2020的过程，该框架旨在提升阿尔茨海默病分类的准确性，并提供模型决策过程的透明度。通过结合先进的神经网络技术和医学影像分析技术，Brain2020能够更好地理解与阿尔茨海默病相关的脑部变化模式，从而为早期诊断和治疗策略的发展提供了新的视角。 这项工作发表在《Brain》期刊上，介绍了一种使用PyTorch实现的深度学习框架，该框架能够从磁共振成像数据中提取阿尔茨海默氏病的相关特征（3D疾病风险图），并结合年龄、性别和小脑力状态检查分数等多模式输入。我们的方法将完全卷积网络（FCN）与多层感知器（MLP）相结合，其中FCN用于生成特定于患者的3D疾病风险图，并在ADNI训练集及验证集中进行开发，在包括ADNI测试集、三个外部数据集在内的多个数据集中进行了性能评估。为了展示模型的准确性，使用了Matthews相关系数（MCC），并通过热图的形式可视化每个位置上的FCN表现情况。最后，MLP通过整合所有局部预测信息来做出最终诊断结果的全局预测。 此外，在验证过程中还对比分析了模型所识别出的风险区域与实际疾病进展中的神经病变发现之间的关系，并展示了两者之间的一致性。