13、可解释深度学习助力解密多发性硬化症疾病特征

可解释深度学习助力解密多发性硬化症疾病特征

1. 研究背景

区分复发缓解型多发性硬化症（RRMS）和原发性进展型多发性硬化症（PPMS）是当前多发性硬化症（MS）研究的挑战之一，识别能体现这两种疾病表型差异的生物标志物在个性化医疗领域具有重要意义。

2. 研究方法

采用3D - CNN对基于T1加权（T1 - w）的数据进行RRMS和PPMS患者的分层分类任务，并运用三种特征可视化方法（反向传播BP、引导反向传播GBP和逐层相关性传播LRP）来突出参与分类的关键脑区。同时进行不同可视化技术的比较以评估结果的稳定性，还使用Spearman相关性分析评估每个感兴趣区域（ROI）的平均相关性与个体扩展残疾状态量表（EDSS）分数之间的一致性。

3. 研究结果

3.1 初步分析

初步分析发现，RRMS和PPMS受试者之间的EDSS评分、年龄和性别数量存在显著差异（p < 0.05），这些为混淆变量。

3.2 CNN分类性能

• 所提出的CNN在验证集上的平均准确率为0.81 ± 0.08。
• 敏感性和特异性分别为0.74 ± 0.22和0.80 ± 0.11，表明CNN最大限度地减少了错误分类的RRMS受试者。
• RRMS的精确率为0.80 ± 0.15，PPMS的精确率为0.76 ± 0.15。
• LR测试表明分类结果不受混淆变量的主导。

3.3 相关性热图定性评估

• BP热图 ：对R