An Interpretable Machine Learning Model with Deep Learning-based Imaging Biomarkers for Diagnosis of Alzheimer’s Disease

要約

機械学習手法は、アルツハイマー病 (AD) の自動早期診断に大きな可能性を示しています。
ただし、画像データに基づく一部の機械学習手法は、通常、どのように決定を下すかが不明瞭であるため、解釈可能性が低くなります。
Explainable Boosting Machines (EBM) は、一般化された加算モデリングの統計フレームワークに基づいた解釈可能な機械学習モデルですが、これまでは表形式のデータにのみ使用されてきました。
そこで、深層学習ベースの特徴抽出を用いて、EBM の強みと高次元画像データを組み合わせたフレームワークを提案します。
提案されたフレームワークは、各機能の重要性を示しているため、解釈可能です。
我々は、アルツハイマー病神経画像イニシアチブ（ADNI）データセットで提案されたフレームワークを検証し、ADおよび対照分類において精度0.883、曲線下面積（AUC）0.970を達成しました。
さらに、提案されたフレームワークを外部テストセットで検証し、AD および主観的認知機能低下 (SCD) 分類に関して精度 0.778 および AUC 0.887 を達成しました。
提案されたフレームワークは、深層学習ベースの機能の代わりにボリューム バイオマーカーを使用した EBM モデルや、最適化されたアーキテクチャを備えたエンドツーエンドの畳み込みニューラル ネットワーク (CNN) を大幅に上回りました。

要約(オリジナル)

Machine learning methods have shown large potential for the automatic early diagnosis of Alzheimer’s Disease (AD). However, some machine learning methods based on imaging data have poor interpretability because it is usually unclear how they make their decisions. Explainable Boosting Machines (EBMs) are interpretable machine learning models based on the statistical framework of generalized additive modeling, but have so far only been used for tabular data. Therefore, we propose a framework that combines the strength of EBM with high-dimensional imaging data using deep learning-based feature extraction. The proposed framework is interpretable because it provides the importance of each feature. We validated the proposed framework on the Alzheimer’s Disease Neuroimaging Initiative (ADNI) dataset, achieving accuracy of 0.883 and area-under-the-curve (AUC) of 0.970 on AD and control classification. Furthermore, we validated the proposed framework on an external testing set, achieving accuracy of 0.778 and AUC of 0.887 on AD and subjective cognitive decline (SCD) classification. The proposed framework significantly outperformed an EBM model using volume biomarkers instead of deep learning-based features, as well as an end-to-end convolutional neural network (CNN) with optimized architecture.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google