PINet: المعلومات المميزة تُحسِّن قابلية تفسير التصوير بالرنين المغناطيسي الهيكلي في مرض الزهايمر

أدى الضمور غير القابل للعكس والمتقدم الناتج عن مرض الزهايمر إلى انخفاض مستمر في مهارات التفكير والسلوك. حتى الآن، تم تطبيق مصنفات الشبكات العصبية الالتفافية بشكل واسع للمساعدة في التشخيص المبكر لمرض الزهايمر والهياكل الشاذة المرتبطة به. ومع ذلك، فإن معظم مصنفات الشبكات العصبية السوداء الحالية اعتمدت بشكل كبير على عدد محدود من مسحات الرنين المغناطيسي، واستخدمت القليل من المعرفة الميدانية من النتائج السريرية السابقة. في هذه الدراسة، اقترحنا إطار عمل يُدعى PINet، للنظر في المعرفة الميدانية السابقة كمعلومات مميزة، وفتح الصندوق الأسود في عملية التنبؤ. توجيه المعرفة المدخلة يساعد الشبكة العصبية على تعلم ميزات تمثيلية ويقدم قابلية تفسيرية لمزيد من التحليل. استخدم PINet وحدة دمج تشبه المحولات تُدعى دمج المعلومات المميزة لحساب العلاقة بين ميزات الصورة وميزات المعلومات المميزة بشكل تكراري، وإسقاط الميزات في فضاء خفي للتصنيف. كانت وحدة تصور ميزات الهرم بمثابة تحقق لإبراز الميزات الهامة على الصور المدخلة. كان PINet مناسبًا لمهام التصوير العصبي وأظهرنا تطبيقه في مرض الزهايمر باستخدام مسحات الرنين المغناطيسي الهيكلي من مجموعة بيانات ADNI. خلال التجارب، استخدمنا الهياكل الدماغية الشاذة مثل الحُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُِ المُكونة كمعلومات مميزة، ودربنا النموذج ببيانات من آلات 1.5T واختبرنا من آلات 3T. أظهر مقياس F1 أن PINet كان أكثر قوة في الانتقال إلى مجموعة بيانات جديدة، بانخفاض تقريبي بنسبة 2% (من 0.9471 إلى 0.9231)، بينما كانت طرق الشبكات العصبية الأساسية الأخرى لديها انخفاض بنسبة 29% (من 0.8679 إلى 0.6154). اعتمد أداء PINet على اختيار المعرفة الميدانية كمعلومات مميزة. تم تدريب أفضل نموذج لدينا تحت إشراف 12 منطقة مؤثرة تم اختيارها، في هياكل الفص الصدغي والفص القذالي. باختصار، اعتبر PINet المعرفة الميدانية كمعلومات مميزة لتدريب نموذج الشبكة العصبية، وأدخلت المعلومات المميزة المختارة كل من قابلية التفسير وقدرة التعميم لمصنفات الشبكات العصبية السوداء.