Towards better Interpretable and Generalizable AD detection using Collective Artificial Intelligence

要約

アルツハイマー病の正確な診断と予後予測は、新しい治療法の開発と関連コストの削減のために極めて重要です。近年、畳み込みニューラルネットワークの進歩に伴い、構造MRIを用いてこれら2つのタスクを自動化する深層学習法が提案されています。しかし、これらの手法はしばしば解釈可能性と汎化性の欠如に悩まされ、予後予測性能に限界がある。本論文では、これらの限界を克服するために設計された新しいディープフレームワークを提案する。我々のパイプラインは2つのステージで構成される。第一段階では、125個の3次元U-Netsを用いて、脳全体のボクセル単位のグレードスコアを推定する。その結果得られた3Dマップを融合し、構造レベルでの疾患の重症度を示す解釈可能な3Dグレーディングマップを構築する。その結果、臨床医はこのマップを使用して、疾患によって影響を受けた脳構造を検出することができる。第2段階として、グレーディングマップと被験者の年齢を用いて、グラフ畳み込みニューラルネットワークによる分類が行われる。2106人の被験者を対象とした実験の結果、ADの診断と予後の両方について、異なるデータセットで我々のディープフレームワークが最先端の手法と比較して優れた性能を発揮することが実証されました。さらに、重複する異なる脳領域を処理する多数のU-Netを用いることで、提案手法の汎化能力を向上させることができることを明らかにしました。

要約(オリジナル)

Accurate diagnosis and prognosis of Alzheimer’s disease are crucial for developing new therapies and reducing the associated costs. Recently, with the advances of convolutional neural networks, deep learning methods have been proposed to automate these two tasks using structural MRI. However, these methods often suffer from a lack of interpretability and generalization and have limited prognosis performance. In this paper, we propose a novel deep framework designed to overcome these limitations. Our pipeline consists of two stages. In the first stage, 125 3D U-Nets are used to estimate voxelwise grade scores over the whole brain. The resulting 3D maps are then fused to construct an interpretable 3D grading map indicating the disease severity at the structure level. As a consequence, clinicians can use this map to detect the brain structures affected by the disease. In the second stage, the grading map and subject’s age are used to perform classification with a graph convolutional neural network. Experimental results based on 2106 subjects demonstrated competitive performance of our deep framework compared to state-of-the-art methods on different datasets for both AD diagnosis and prognosis. Moreover, we found that using a large number of U-Nets processing different overlapping brain areas improved the generalization capacity of the proposed methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL