本技术涉及一种基于可解释图神经网络的阿尔兹海默症诊断系统,属于医疗物联网技术领域,包括预处理模块、局部图构建模块、重要特征节点选择模块、节点选择过程展示模块、全局图构建模块、阿尔兹海默症诊断模块和全局归因解释模块;基于自注意力池化机制提取神经影像数据中的重要特征节点,并详细阐释局部特征选择过程;再将选择的重要节点信息与非成像数据整合,利用阿尔兹海默症诊断模块对阿尔兹海默症三种分类进行预测,最后利用全局归因解释模块对全局和单样本特征进行归因解释以验证特征选择的有效性。本发明不仅提高了诊断的准确度,还具备良好的可解释性,能够为临床医生提供更为可靠和有效的诊断辅助工具。
背景技术
阿尔兹海默症(AD)作为一种不可逆的神经退行性疾病,其主要临床表现为记忆力、认知功能和身体能力持续衰退。根据患者的身体状况和认知水平,AD的进展可分为三个阶段:正常控制、轻度认知障碍和AD。在临床诊断中,AD和MCI的早期症状十分隐蔽,导致病情的早期识别极为困难。特别是MCI是正常衰老和阿尔茨海默症之间的过渡状态,认知衰退程度较轻,与正常老化难以区分。而传统上,AD的诊断依赖于医生的临床经验、认知功能评估以及神经影像学检查等手段。但由于个体差异较大,常规的诊断手段难以在疾病早期实现精准诊断。
近年来,许多研究者依赖单一的单模态数据进行AD的预测,如依靠磁共振成像(MRI)、结构磁共振成像(sMRI)、正电子发射断层扫描(PET)。这种方法虽在某些情况下取得了良好的效果,但单模态数据往往不能完全捕捉到AD复杂的病例过程,使得模型的预测准确性受到限制。因此,多模态数据已逐渐成为AD研究的焦点,可以提供更为全面的病例信息,整合这些多模态数据可以从不同角度揭示AD的复杂病理机制,从而大幅度提高预测的准确性。同时,虽多模态可以提高预测的准确度,但由于不同类型数据之间的潜在关系复杂,简单的特征拼接或基于同质特征的融合方法难以捕捉数据间的深层联系。因此,如何有效地融合多模态数据,并构建适应强的模型,成为阿尔兹海默症早期诊断的关键。
此外,虽然深度学习模型通过大量的参数和复杂的层次结构,能够在各种任务中取得出色的表现,但这些模型往往被视为“黑箱”,难以解读其内部决策过程。特别是在涉及到患者健康的临床场景中,医生需要了解模型的决策依据,以便对模型预测结果进行验证和解释。因此,在AD的早期预测中,增强模型的可解释性显得尤为重要。
实现思路