An explainable AI approach for mapping multivariate regional brain age and clinical severity patterns in Alzheimer’s disease
Notice bibliographique
Résumé
Abstract Age is a significant risk factor for mild cognitive impairment (MCI) and Alzheimer’s disease (AD) and identifying brain age patterns is critical for comprehending the normal aging and MCI/AD processes. Prior studies have widely established the univariate relationships between brain regions and age, while multivariate associations remain largely unexplored. Herein, various artificial intelligence (AI) models were used to perform brain age prediction using an MRI dataset (n = 825). The optimal AI model was then integrated with the feature importance methods, namely Shapley additive explanations (SHAP), local interpretable model-agnostic explanations, and layer-wise relevance propagation, to identify the significant multivariate brain regions hierarchically involved in this prediction. Our results showed that the deep learning model (referred to as AgeNet) outperformed conventional machine learning models for brain age prediction, and that AgeNet integrated with SHAP (referred to as AgeNet-SHAP) identified all ground-truth perturbed regions as key predictors of brain age in semi-simulation, demonstrating the validity of our methodology. In the experimental dataset, when compared to cognitively normal (CN) participants, MCI exhibited moderate differences in brain regions, whereas AD showed highly robust and widely distributed regional differences. Individualized AgeNet-SHAP regional features further showed associations with clinical severity scores in the AD continuum. These results collectively facilitate data-driven explainable AI approaches for disease progression, diagnostics, prognostics, and personalized medicine efforts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».