AXIAL: 注意に基づく解釈可能なアルツハイマー病の局所診断を実現する3D MRI脳スキャン上の2D CNNを使用した手法

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来提高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 CNN能够提取体积表示。同时，通过学习每一片在决策中的重要性，生成了体素级别的注意力图，从而产生了可解释的MRI。为了测试我们的方法并确保结果的再现性，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。在这个数据集中，我们的方法在以下两个方面显著优于现有最先进方法：(i) 区分阿尔茨海默病（AD）和认知正常（CN），准确率为0.856，马修斯相关系数（Matthew's correlation coefficient, MCC）为0.712，分别比第二好的方法提高了2.4%和5.3%；(ii) 在区分稳定型和进展型轻度认知障碍（MCI）的预后任务中，准确率为0.725，MCC为0.443，分别比第二好的方法提高了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后结果，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。以体素级别的精度，我们的方法识别出了哪些特定区域受到了关注，并确定了这些主要脑区：海马体、杏仁核、内侧颞叶前部（parahippocampal）以及下侧脑室。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叠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紧密相关的区域方面的稳健性和精确性。