基于可解释混合深度学习的功能磁共振成像ADHD识别方法研究

《Scientific Reports》：Interpretable attention-deficit hyperactivity disorder diagnosis from functional magnetic resonance imaging via hybrid convolutional neural network–transformer learning and multi-level graph-based comprehensibility

　　

摘要

注意缺陷多动障碍（ADHD）是一种与大脑发育相关的疾病，表现为大脑结构的各种变化，需要通过可预测的神经影像分析进行持续诊断。当前的深度学习方法在使用磁共振成像（MRI）进行计算机辅助ADHD分类方面表现出令人前景；然而，由于存在模糊性，其适用性受到限制。本研究提出了一种用于基于功能磁共振成像（fMRI）进行ADHD识别的可解释混合深度模型。该模型使用三维卷积神经网络（CNN）来映射大脑结构，并使用Transformer编码器来分析Transformer模块。在体素水平上，3D Grad-CAM+++限制了ADHD分类的特征支持。在解释层面，跨层注意力聚合在Transformer层期间创建了可靠的注意力模式，简化了相关大脑结构的识别。通过使用神经解剖学图谱提取特定区域特征，创建了一个大脑连接图，然后使用图神经网络（GNN）对该图进行检查。GNNExplainer揭示了与ADHD相关的复杂大脑子网络和区域间相互作用。在ADHD-200数据集上进行的实验表明，所提出的混合框架在准确性、敏感性、特异性和AUC方面均超过了仅使用CNN和仅使用Transformer的基线模型。这些结果表明，所提出的方法在提供更好的诊断效力的同时带来了显著的好处，推进了基于MRI的深度学习ADHD诊断的可行性。