論文の概要: A Quantitative Approach for Evaluating Disease Focus and Interpretability of Deep Learning Models for Alzheimer's Disease Classification

• arxiv url: http://arxiv.org/abs/2409.04888v1
• Date: Sat, 7 Sep 2024 19:16:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-10 20:20:37.024390
• Title: A Quantitative Approach for Evaluating Disease Focus and Interpretability of Deep Learning Models for Alzheimer's Disease Classification
• Title（参考訳）: アルツハイマー病分類のための深層学習モデルの病的焦点と解釈可能性評価のための定量的アプローチ
• Authors: Thomas Yu Chow Tam, Litian Liang, Ke Chen, Haohan Wang, Wei Wu,
• Abstract要約: 深層学習(DL)モデルはアルツハイマー病(AD)分類において有意な可能性を示している。 我々は,DLモデルの解釈可能性を高めるために,定量的な病因抽出戦略を開発した。 疾患関連領域に注目する能力の観点から,これらのモデルを評価した。
• 参考スコア（独自算出の注目度）: 17.549219224802
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning (DL) models have shown significant potential in Alzheimer's Disease (AD) classification. However, understanding and interpreting these models remains challenging, which hinders the adoption of these models in clinical practice. Techniques such as saliency maps have been proven effective in providing visual and empirical clues about how these models work, but there still remains a gap in understanding which specific brain regions DL models focus on and whether these brain regions are pathologically associated with AD. To bridge such gap, in this study, we developed a quantitative disease-focusing strategy to first enhance the interpretability of DL models using saliency maps and brain segmentations; then we propose a disease-focus (DF) score that quantifies how much a DL model focuses on brain areas relevant to AD pathology based on clinically known MRI-based pathological regions of AD. Using this strategy, we compared several state-of-the-art DL models, including a baseline 3D ResNet model, a pretrained MedicalNet model, and a MedicalNet with data augmentation to classify patients with AD vs. cognitive normal patients using MRI data; then we evaluated these models in terms of their abilities to focus on disease-relevant regions. Our results show interesting disease-focusing patterns with different models, particularly characteristic patterns with the pretrained models and data augmentation, and also provide insight into their classification performance. These results suggest that the approach we developed for quantitatively assessing the abilities of DL models to focus on disease-relevant regions may help improve interpretability of these models for AD classification and facilitate their adoption for AD diagnosis in clinical practice. The code is publicly available at https://github.com/Liang-lt/ADNI.
• Abstract（参考訳）: 深層学習(DL)モデルはアルツハイマー病(AD)分類において有意な可能性を示している。 しかし、これらのモデルの理解と解釈は依然として困難であり、臨床実践におけるこれらのモデルの採用を妨げている。 サリエンシマップのような技術は、これらのモデルがどのように機能するかの視覚的および経験的な手がかりを提供するのに有効であることが証明されているが、特定の脳領域 DL モデルがどの脳領域に焦点を当てているか、そしてこれらの脳領域がADと病理学的に関連しているかどうかを理解するためのギャップはまだ残っている。 このようなギャップを埋めるために、我々は、まず、唾液マップと脳のセグメンテーションを用いたDLモデルの解釈可能性を高めるための定量的な疾患焦点戦略を開発し、その上で、ADの臨床的に知られているMRIベースの病理領域に基づいて、ADの病理領域にどの程度のDLモデルが集中しているかを定量化する病焦点スコア(DF)を提案する。 この戦略を用いて,基礎となる3D ResNetモデル,事前訓練されたメディカルネットモデル,およびMRIデータを用いてAD患者と認知正常患者を分類するためのデータ拡張を伴うメディカルネットなど,最先端のDLモデルを比較し,これらのモデルを疾患関連領域にフォーカスする能力の観点から評価した。 以上の結果から,異なるモデル,特に事前訓練されたモデルとデータ拡張による特徴パターン,およびそれらの分類性能に関する知見が得られた。 以上の結果から,病原性領域に着目したDLモデルの定量的評価手法は,AD分類におけるこれらのモデルの解釈可能性の向上に寄与し,臨床実践におけるAD診断への導入を促進することが示唆された。 コードはhttps://github.com/Liang-lt/ADNI.comで公開されている。

関連論文リスト

• Quantitative Evaluation of the Saliency Map for Alzheimer's Disease Classifier with Anatomical Segmentation [19.678873653172513]
  アルツハイマー病(AD)の深層学習分類器の解釈には、唾液マップが広く用いられている。 本稿では,解剖学的セグメンテーションを用いて,異なる脳領域に唾液価を割り当てる。 AD と NC (Normal Control) に対応する正当性マップの分布をプロットすることにより,モデルの決定過程を包括的に把握することができる。
  論文  参考訳（メタデータ） (2024-07-11T14:30:49Z)
• Potential of Multimodal Large Language Models for Data Mining of Medical Images and Free-text Reports [51.45762396192655]
  特にGemini-Vision-Series (Gemini) と GPT-4-Series (GPT-4) は、コンピュータビジョンのための人工知能のパラダイムシフトを象徴している。 本研究は,14の医用画像データセットを対象に,Gemini,GPT-4,および4つの一般的な大規模モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-07-08T09:08:42Z)
• Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
  医用画像の分類性能に関する連続学習戦略(CL)の行動について検討した。 我々は,リプレイ,フォーッティングなし学習(LwF),LwF,Pseudo-Label戦略を評価した。 LwF と Pseudo-Label は最適な分類性能を示すが、評価に公正度の測定値を含めると、Pseudo-Label がバイアスが少ないことは明らかである。
  論文  参考訳（メタデータ） (2024-04-10T09:48:52Z)
• Multimodal Neurodegenerative Disease Subtyping Explained by ChatGPT [15.942849233189664]
  アルツハイマー病は最も多い神経変性疾患である。 現在のデータ駆動型アプローチでは、ADまたは関連する障害の後期段階でサブタイプを分類することができるが、無症状またはプロドロマル段階の予測では困難である。 本稿では,AD患者を早期にサブタイプに分類するために,画像,遺伝学,臨床評価などの早期指標を用いたマルチモーダルフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-31T19:30:04Z)
• Continual Learning for Tumor Classification in Histopathology Images [0.0]
  モデル忘れを緩和する継続的な学習モデルは、デジタル病理学に基づく分析で導入する必要がある。 本稿では,DP設定におけるCLシナリオを提案する。 画像の外観変化をシミュレートするために,大腸癌H&E分類のための拡張データセットを構築した。 乳腺腫瘍H&Eデータセットと大腸癌を併用し,腫瘍タイプ別にCLを評価した。
  論文  参考訳（メタデータ） (2022-08-07T01:04:25Z)
• Learn-Explain-Reinforce: Counterfactual Reasoning and Its Guidance to Reinforce an Alzheimer's Disease Diagnosis Model [1.6287500717172143]
  本稿では、診断モデル学習、視覚的説明生成、訓練された診断モデル強化を統一する新しいフレームワークを提案する。 視覚的説明のために,対象ラベルとして識別される入力サンプルを変換する反ファクトマップを生成する。
  論文  参考訳（メタデータ） (2021-08-21T07:29:13Z)
• An explainable two-dimensional single model deep learning approach for Alzheimer's disease diagnosis and brain atrophy localization [3.9281410693767036]
  本稿では、アルツハイマー病(AD)の自動診断と、sMRIデータから、この疾患に関連する重要な脳領域の局所化について、エンドツーエンドのディープラーニングアプローチを提案する。 提案手法は,AD対認知正常(CN)とプログレッシブMCI(pMCI)と安定MCI(sMCI)の2つの分類タスクに対して,パブリックアクセス可能な2つのデータセットで評価されている。 実験結果から,本手法はマルチモデルや3次元CNN手法など,最先端の手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2021-07-28T07:19:00Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。