HyperAIHyperAI
il y a 2 mois

AXIAL : Explication basée sur l'attention pour un diagnostic localisé interprétable de la maladie d'Alzheimer à l'aide de CNN 2D sur des IRM cérébrales 3D

Lozupone, Gabriele ; Bria, Alessandro ; Fontanella, Francesco ; Meijer, Frederick J. A. ; De Stefano, Claudio
AXIAL : Explication basée sur l'attention pour un diagnostic localisé interprétable de la maladie d'Alzheimer à l'aide de CNN 2D sur des IRM cérébrales 3D
Résumé

Cette étude présente une méthode innovante pour le diagnostic de la maladie d'Alzheimer utilisant l'IRM 3D, conçue pour améliorer l'explicabilité des décisions du modèle. Notre approche adopte un mécanisme d'attention douce, permettant aux CNN 2D d'extraire des représentations volumiques. En même temps, l'importance de chaque tranche dans le processus de décision est apprise, ce qui permet la génération d'une carte d'attention au niveau voxel pour produire une IRM explicable. Pour tester notre méthode et garantir la reproductibilité de nos résultats, nous avons choisi une collection standardisée de données IRM provenant de l'Initiative sur l'imagerie neurodégenerative de la maladie d'Alzheimer (ADNI). Sur cet ensemble de données, notre méthode surpasse significativement les méthodes les plus avancées actuellement disponibles : (i) en distinguant la maladie d'Alzheimer (AD) du statut cognitif normal (CN) avec une précision de 0,856 et un coefficient de corrélation de Matthew (MCC) de 0,712, soit des améliorations respectives de 2,4 % et 5,3 % par rapport à la deuxième meilleure méthode ; et (ii) dans la tâche pronostique consistant à différencier une déficience cognitive légère stable (MCI stable) d'une déficience cognitive légère progressive (MCI progressive) avec une précision de 0,725 et un MCC de 0,443, montrant des améliorations respectives de 10,2 % et 20,5 % par rapport à la deuxième meilleure méthode. Nous avons obtenu ce résultat pronostique en adoptant une stratégie de transfert d'apprentissage double, qui a augmenté la sensibilité aux changements morphologiques et facilité la détection précoce de la maladie d'Alzheimer. Avec une précision au niveau voxel, notre méthode a identifié les zones spécifiques qui sont prises en compte, mettant en évidence ces régions cérébrales prédominantes : l'hippocampe, l'amygdales, le para-hippocampal et les ventricules latéraux inférieurs. Toutes ces zones sont cliniquement associées au développement de la maladie d'Alzheimer. De plus, notre approche a systématiquement identifié les mêmes zones liées à la maladie d'Alzheimer dans différentes plis de validation croisée, prouvant sa robustesse et sa précision dans la mise en évidence des zones qui correspondent étroitement aux marqueurs pathologiques connus de cette maladie.