AXIAL：基于注意力机制的可解释性阿尔茨海默病局部诊断方法——利用3D MRI脑扫描的2D CNNs

本研究提出了一种创新的阿尔茨海默病诊断方法，该方法利用3D MRI来增强模型决策的可解释性。我们的方法采用了软注意力机制，使得2D卷积神经网络（CNN）能够提取体积表示。同时，通过学习每一片层在决策中的重要性，生成了体素级别的注意力图，从而产生可解释的MRI图像。为了测试我们的方法并确保结果的可重复性，我们选择了来自阿尔茨海默病神经影像学计划（Alzheimer's Disease Neuroimaging Initiative, ADNI）的标准MRI数据集。在该数据集上，我们的方法在以下两个方面显著优于现有最佳方法：(i) 区分阿尔茨海默病（AD）与认知正常（CN），准确率为0.856，马修斯相关系数（Matthew's correlation coefficient, MCC）为0.712，分别比第二佳方法提高了2.4%和5.3%；(ii) 在预测任务中区分稳定型与进展型轻度认知障碍（MCI），准确率为0.725，MCC为0.443，分别比第二佳方法提高了10.2%和20.5%。我们通过采用双重迁移学习策略实现了这一预测结果，该策略增强了对形态变化的敏感性，并促进了早期阿尔茨海默病的检测。以体素级精度，我们的方法识别出受关注的具体区域，这些主要脑区包括：海马体、杏仁核、海马旁回和下侧脑室。所有这些区域都与阿尔茨海默病的发展有临床关联。此外，我们的方法在不同的交叉验证折中始终找到了相同的与AD相关的区域，证明了其在突出与已知病理标志物高度吻合的区域方面的稳健性和精确性。