Многоуровневая мультимодальная модель выявления и прогнозирования на основе объяснимого искусственного интеллекта для болезни Альцгеймера

Болезнь Альцгеймера (БА) является наиболее распространённой формой деменции. Диагностика этого заболевания и выявление его прогрессирования интенсивно изучаются. Тем не менее результаты исследований часто оказывают ограниченное влияние на клиническую практику, главным образом по следующим причинам: (1) большинство исследований в основном опирается на один тип данных, особенно на нейровизуализацию; (2) диагностика и выявление прогрессирования обычно рассматриваются раздельно как две независимые задачи; и (3) современные исследования преимущественно сосредоточены на оптимизации эффективности сложных моделей машинного обучения, оставляя без внимания их объяснимость. В результате врачам трудно интерпретировать эти модели, и они испытывают недостаток доверия к ним. В настоящей работе разработана точная и интерпретируемая модель диагностики БА и выявления её прогрессирования. Модель предоставляет врачам точные решения, сопровождая каждое из них набором объяснений. В частности, модель объединяет 11 типов данных, полученных от 1048 участников реального набора данных Инициативы по нейровизуализации болезни Альцгеймера (Alzheimer’s Disease Neuroimaging Initiative, ADNI): 294 когнитивно здоровых участников, 254 участника со стабильным умеренным когнитивным нарушением (MCI), 232 участника с прогрессирующим MCI и 268 участников с БА. Это двухуровневая модель, в которой в качестве алгоритма классификации используется случайный лес (RF). На первом уровне модель выполняет многоклассовую классификацию для ранней диагностики БА. На втором уровне модель применяет бинарную классификацию для выявления возможного прогрессирования MCI в БА в течение трёх лет после исходной диагностики. Эффективность модели оптимизируется с использованием ключевых маркеров, отобранных из большого набора биологических и клинических показателей. Для обеспечения объяснимости на каждом уровне представлены глобальные объяснения и объяснения для отдельных наблюдений работы классификатора RF с использованием фреймворка атрибуции признаков SHapley Additive exPlanations (SHAP). Кроме того, реализованы 22 средства объяснения на основе деревьев решений и систем нечётких правил, обеспечивающие дополнительные обоснования каждого решения RF на каждом уровне. Кроме того, эти объяснения...