可解释人工智能在疾病检测和监测中的神经影像生物标志物
背景
迫切需要非侵入性和可靠的神经影像生物标志物，以促进神经系统和心理障碍的早期检测、疾病进展监测以及客观评估治疗效果。在过去几十年中，网络分析方法如主成分分析、独立成分分析和图论分析在分析功能性脑成像数据方面发挥了重要作用，包括氟脱氧葡萄糖正电子发射断层扫描（FDG PET）和静息态功能磁共振成像（rs-fMRI）。同样，扩散张量成像、纤维束成像和基于连接组的分析被应用于扩散加权MRI，以研究与疾病相关的结构脑网络。尽管这些方法显著推动了该领域的发展，但其性能可能会因数据采集协议、采集地点和扫描仪矢量差异等因素而有所不同。
近年来，人工智能（AI），特别是深度学习模型的出现，为神经影像中疾病相关脑网络的研究带来了新的机遇。这些方法揭示了以前难以识别的模式，使得生物标志物和临床特征的检测更加精确。可解释人工智能（XAI）框架进一步增强了这一过程，通过提供可解释的见解，增强了用户信任，并改进了机器学习算法输出的理解。尽管取得了这些进展，但在大型、多中心数据集中开发稳健且无偏倚的神经影像生物标志物的需求仍然迫切，同时需要建立将可解释性整合到AI驱动分析中的框架。
本研究主题旨在解决这些挑战，专注于将深度学习神经网络和XAI整合到神经影像中，以表征和验证疾病相关网络。通过利用图论分析等技术，该倡议旨在探索脑组织的变化，研究疾病的纵向进展及其对治疗监测的影响。特别强调AI方法的透明度和可解释性，以建立研究人员和临床医生的信任和信心。
研究重点包括：
- 神经影像生物标志物的识别和验证，用于神经系统和精神疾病。
- 应用XAI可视化和解释与疾病相关的网络。
- 利用图论分析探索疾病相关网络中的脑组织。
- 疾病进展的纵向研究及其对治疗监测的意义。
- 各种神经影像分析方法的比较研究，包括AI驱动的方法。
- 多中心神经影像研究方案的开发，以确保一致性和可靠性。
- 伦理考虑和增强用户对AI生成的神经影像见解的信任策略。
- 将神经影像生物标志物整合到临床工作流程中，用于诊断和治疗目的。
(全文结束)
