一种基于信息论的评估框架，用于利用结构磁共振成像数据对基于卷积神经网络（CNN）和长短期记忆网络（LSTM）的阿尔茨海默病分类模型进行评估

《Scientific Reports》：An information-theoretic evaluation framework for CNN–LSTM-based Alzheimer’s disease classification from structural MRI

　　

摘要

早期发现阿尔茨海默病（AD）非常重要，因为该疾病会逐渐影响认知功能。本研究提出了一个基于CNN-LSTM的框架，用于通过结构性MRI对AD进行三类分类。其主要贡献在于采用了一种事后信息论评估策略，而非新的网络架构。实验使用了827名ADNI受试者数据，包括正常对照组（NC：340人）、轻度认知障碍组（MCI：307人）和AD患者组（180人）。为缓解数据稀缺问题并提高训练数据的多样性，仅对训练数据应用了基于GAN的数据增强技术，而验证集和测试集则保持独立。除了传统的评估指标外，还使用Renyi互信息、Renyi散度和Henze-Penrose散度来评估模型的信息保留能力、表示稳定性以及分布一致性。在受试者层面的评估中，该CNN-LSTM模型的准确率达到96.7%，优于其他经过评估的基准模型。信息论评估方法为比较模型行为提供了额外的依据，尤其是在信息保留和输出分布一致性方面。总体而言，研究结果表明，事后信息论分析有助于更透明地评估基于MRI的AD分类模型。然而，在临床应用之前，仍需在独立的多中心数据集上进行外部验证。