«Интерпретация трехмерных сверточных сетей в прогностических моделях на МРТ данных мозга»

Актуальность. В последнее время с развитием методов машинного обучения многие подходы стали доступны для использования в области медицины. Однако несмотря на огромные массивы информации, которые хранит данное направление, задачи медицинского характера несут в себе риск, связанный со здоровьем человека. Для повышения доверия к работе нейронной сети стали разрабатываться методы интерпретации, стремящиеся объяснить то, на основе чего модель принимает решение. Болезнь Альцгеймера является одним из наиболее часто диагностируемых, ежегодно прогрессируемых заболеваний, поэтому исследования на эту тему сейчас достаточно актуальны. Цели. Таким образом, целью данной работы является применение последних методов интерпретации к сверточным глубоким моделям, обученным на 3Д МРИ данных, в частности на задаче классификации болезни Альцгеймера. Методы и результаты. Были воспроизведены современные методы интерпретации, включая GradCam, GuidedBackprop, Meaningful Perturbations, а затем применены к 3Д сверточным моделям на основе структурных МРИ данных. Исследование показало, что предобработка данных оказывает существенное влияние на точность модели и качество построения карт значимости. C помощью предложенной стратегии обучении с интеллектуальным увеличением данных на основе Оптимального Транспорта, на бинарной задаче по распознаванию пола на HCP датасете качество классификации достигло наилучшей точности на обучающей и валидационной выборке (0,984 AC), распознавая при этом паттерны в структурах мозга, характерные для пола. Лучший результат сопоставимый с последними исследованиями был достигнут на задаче АД vs CN датасета АДНИ (89.5 AC на тесте). Примененные методы интерпретации выявили определенные закономерности прогрессирования болезни Альцгеймера на разных стадиях, в том числе атрофию в области гипоталамуса, вокруг желудочков, а также повреждение височной доли на более поздних стадиях. Полученные результаты представляют собой важный шаг в разработке объяснимых диагностических и прогностических моделей CV и обеспечивают потенциальную медицинскую информацию.