MEDICINE & AI

タイトル：Systematic comparison of 3D Deep learning and classical machine learning explanations for Alzheimer's Disease detection 雑誌名：Comput Biol Med. 2024 Mar; 170: 108029. 概　要： 本研究は、アルツハイマー病（AD）の早期検出のために訓練されたブラックボックス型深層学習（DL）モデルの解釈性を体系的に評価し、古典的機械学習（ML）モデルとの比較を行いました。使用したDLアーキテクチャは3D DenseNets、EfficientNets、Squeeze-and-Excitation（SE）ネットワークであり、MLモデルにはランダムフォレスト（RF）、サポートベクターマシン（SVM）、eXtreme Gradient Boosting（XGBoost）、Light Gradient Boosting（LightGBM）、決定木（DT）、ロジスティック回帰（LR）が含まれます。解釈にはSHAP値、LIME、GradCAM、GradCAM++、および順列ベースの特徴重要度が用いられました。すべてのモデルはアルツハイマー病神経画像イニシアティブ（ADNI）データセットで訓練され、オーストラリアのイメージングとライフスタイルの高齢者研究（AIBL）およびオープンアクセスシリーズのイメージング研究（OASIS）で内部および外部検証が行われました。 方　法： この研究は、アルツハイマー病神経画像イニシアティブ（ADNI）データセットを使用したコホート研究です。3D DenseNets、EfficientNets、Squeeze-and-Excitationネットワークを含む深層学習モデルと、ランダムフォレスト、サポートベクターマシン、eXtreme Gradient Boosting、Light Gradient Boosting、決定木、ロジスティック回帰を含む古典的機械学習モデルが比較されました。解釈手法としてSHAP、LIME、GradCAMなどが使用され、内部および外部検証が行われました。 結　果： DLモデルとMLモデルは、分類性能において類似した結果を示しましたが、注目する脳領域は異なりました。MLモデルは、ADに関連する下側および中側の側頭回、海馬、扁桃体に焦点を当てる一方、DLモデルは視神経交差、内側側頭皮質、左右の血管、4番脳室など、より広範な領域に注目しました。これらの違いは、入力特徴（テクスチャ対ボリューム）に起因する可能性があります。両者は、基準となるボクセルベースの形態計測（VBM）分析に対して合理的な類似性を示し、MLモデルの方がわずかに高い類似性が測定されました。 結　論： 深層学習と古典的機械学習モデルは、アルツハイマー病の検出において類似した性能を示す一方で、注目する脳領域には明確な違いがあり、これが解釈の多様性を生む要因となっています。両者の解釈手法は、ADの理解を深めるための有用なツールとなる可能性があります。