阿尔茨海默诊断新框架：6479份记录验证，多模态AI最高AUC达0.91
A Multimodal Explainable Deep Learning Framework for Alzheimer's Disease Diagnosis using 3D Magnetic Resonance Imaging and Clinical Data
📖 AI 总结
该研究提出了一种可解释的多模态深度学习框架，用于阿尔茨海默病诊断，将处理T1加权MRI的3D CNN编码器与处理标准化临床及人口统计数据的前馈网络相结合，并在ADNI的6479条内部记录和OASIS-3的1703条独立记录上，比较了多种模型配置在三分类和两两诊断任务中的表现。结果显示，多模态性能高度依赖具体任务、模态、融合策略和队列：在ADNI上，仅表格模型取得最高的三分类AUC-ROC（0.879），交叉注意力在MCI与AD区分中表现最佳（0.861）；在OASIS-3上，仅视觉模型表现最优（三分类AUC-ROC 0.910），且没有任何融合策略能在所有任务和队列中稳定超越单一模态。SHAP和积分梯度分析一致识别出MMSE是最重要的表格特征，两个队列的全局特征排序高度一致，但基于CAM的解释会随模型配置和队列变化而改变。研究表明，多模态诊断的性能与解释并非稳定不变的内在属性，而是随队列迁移而显著变化，因此可解释性评估必须在队列偏移条件下进行，而非将其视为固定属性。
🔑 关键词速览
| Alzheimer's disease (AD) | 阿尔茨海默病，一种进行性神经退行性疾病，是痴呆症最常见的原因。 |
| Multimodal deep learning | 多模态深度学习，指结合多种类型数据（如影像和临床数据）进行学习的深度学习方法。 |
| 3D CNN | 三维卷积神经网络，一种用于处理三维体积数据（如MRI扫描）的深度学习模型。 |
| SHAP | SHapley Additive exPlanations，一种基于博弈论的特征归因方法，用于解释模型预测。 |
| Integrated Gradients | 积分梯度，一种归因方法，通过积分路径上的梯度来分配特征重要性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅