基于深度学习的神经影像分类器的形态学解释

《Human Brain Mapping》：Morphometric Explanations for Deep Learning Based Neuroimaging Classifiers

　　

尽管用于检测复杂神经退行性疾病的基于深度学习的医学影像分类器的准确性不断提高，但其决策过程中固有的透明度和可解释性的缺乏，给其在临床和研究中的应用带来了挑战。虽然现有的可解释性方法提供了对分类决策更广泛方面的见解，但它们并未直接解释如何使用特定图像信息进行分类。已知在多种神经退行性疾病中存在几何或形态学上的大脑变化，解释分类器如何使用这些变化，将为领域专家提供对分类决策的形态学贡献的易于解释的理解。研究人员的工作提出了一种反事实方法，用于解释深度学习分类器在对图像实例进行分类时所使用的形态学特征。此外，为了提供对分类器在人群中使用的常见形态学特征的更具可解释性的理解，研究人员将实例解释结合起来，以描述分类器在MNI₁₅₂空间中使用的平均形态学大脑变化。该方法通过在T₁-w MRIs（T₁-weighted Magnetic Resonance Imaging，T₁加权磁共振成像）中训练用于检测帕金森病和模拟疾病的分类器进行了测试。结果表明，研究人员的方法生成的反事实图像能够解释学习到的疾病相关图像信息，因为通过修改解释的图像形态学方面，PD（Parkinson's Disease，帕金森病）分类器中超过98%图像的分类被改变。通过推导深度学习分类器使用的几何解释，未来的研究可以通过根据现有疾病知识验证分类器来提高可信度，并有可能利用它们来探索新的疾病过程。

《基于深度学习的神经影像分类器的形态学解释》论文解读

深度学习在神经影像学中的应用日益增多，尤其在多发性硬化、阿尔茨海默病（AD）和帕金森病（PD）等复杂神经退行性疾病的检测中取得了较高的准确率。然而，这些深度学习模型决策过程的“黑箱”性质，即缺乏透明度和可解释性，严重阻碍了其在临床诊断和治疗监测中的应用。传统的特征归因方法虽然能突出显示对分类有贡献的脑区，但无法解释这些区域是如何被使用的，例如无法判断脑区是因为强度、形状还是纹理特征而显得重要。此外，基于修改体素强度的反事实方法虽然能改变分类结果，但难以揭示这些变化背后的生物学意义。为了解决上述问题，研究人员开展了一项旨在提供形态学解释的研究。他们提出了一种基于几何约束的反事实生成方法，用于解释深度学习分类器在结构脑图像分类中使用的形态学特征。该研究不仅能够揭示驱动个体预测的形态特征，还能通过聚合实例解释来识别群体水平的形态学变化。研究结果对于增强临床对深度学习模型的信任度，以及探索新的疾病过程具有重要意义，该论文发表在《Human Brain Mapping》期刊上。

研究人员使用了三个公开数据集构建队列，包括帕金森病进展标志物倡议（PPMI）、阿尔茨海默病神经影像学倡议（ADNI）和开放影像学研究系列-1（OASIS-1）。共纳入1289名受试者的T₁-w MRI数据，其中PD患者459名，健康对照830名。采用全卷积网络架构进行分类模型训练。提出几何约束反事实生成（GCCG，Geometry-Constrained Counterfactual Generation）方法，基于生成对抗网络（GAN，Generative Adversarial Network）结构，利用保持拓扑的微分同胚空间变换生成反事实图像。通过计算Jacobian行列式确保拓扑保持。同时使用无约束反事实生成（UCG，Unconstrained Counterfactual Generation）方法进行对比，并通过配准变换在MNI₁₅₂空间计算平均变换以识别群体特征。

分类性能
研究人员在PD和模拟疾病（SD）数据集上训练了分类器，PD分类器在测试集上达到了77.9%的准确率，而SD分类器的准确率达到99.8%，表明模型具备良好的分类能力。

反事实图像属性
研究通过评估有效性、保真度和邻近性来验证反事实图像的质量。结果表明，GCCG和UCG方法在PD和SD模型上的转换率均超过98%。同时，通过Jacobian行列式验证了GCCG生成的空间变换保留了拓扑结构，支持了其生物学合理性。

局部反事实形变的必要性和充分性
通过移除或保留特定脑区的形变，研究发现对于PD分类器，没有任何单一区域的形变是改变分类决策的必要条件，但包含中脑的第5区域在改变PD和健康对照分类上表现出极高的充分性。对于SD分类器，引入模拟疾病特征的第5区域被证明是改变分类的必要且充分条件。

反事实变换强度图
通过将变换强度从0到1进行缩放，研究观察到分类概率随着变换强度的增加呈现出平滑的单调变化，表明分类器学习到的疾病特征是稳定的，并且能够根据特征严重程度进行预测。

实例级解释
实例级分析显示，几何变换在改变分类时表现出相反的方向性。例如，将健康对照转换为PD预测时脑干区域扩张，而将PD转换为健康预测时该区域收缩。

特征归因解释
使用Integrated Gradients（积分梯度，一种特征归因方法）生成的解释显示，该方法突出显示了与形态变化相关的区域以及未发生变化的区域，这可能是由于模型学习了虚假模式，说明特征归因方法在提供清晰解剖学解释方面存在局限性。

平均变换属性
研究人员计算了平均反事实变换的属性，发现平均变换能够将所有健康对照图像转换为PD预测，并具有与实例变换相当的保真度和邻近性，验证了群体级别解释的有效性。

平均反事实变化
在MNI₁₅₂空间中，平均几何和加性图谱显示，脑干、小脑和脑室的变化对分类决策有贡献。对于SD模型，平均位移图准确反映了引入的模拟疾病特征，且比加性变化更能代表模拟特征。

总结讨论
讨论部分指出，可解释性是“黑箱”深度学习分类器在临床和研究中应用的重要考量。研究人员提出的形态学解释方法能够具体揭示输入图像中对分类有贡献的形态学变化。与Integrated Gradients等特征归因方法相比，该方法生成的解释具有更清晰的解剖学边界，避免了分散且模糊的归因，提高了局部解剖的准确性和可解释性。此外，通过在标准解剖空间中观察平均几何反事实变化，可以直观地解释分类器学习到的群体级别疾病特征，例如PD分类器学习到的脑干萎缩模式。同时，平均变换还能揭示疾病特征的异质性。尽管具有优势，但该方法也存在局限性：几何解释无法捕捉通常反映在强度变化中的微观结构脑变化，且对于深度学习网络内部逻辑的验证仍具挑战性。

研究结论
研究人员提出了一种几何约束的反事实可解释性方法，该方法揭示了结构MRI分类器学习到的形态学特征。通过将解释限制在几何变换上，该方法提供了关于分类器如何使用形态学信息的解剖学相关见解。通过展示为高精度的模拟疾病分类器生成的解释与合成的基本事实密切一致，研究人员间接证明了该方法在正确解释分类器方面的有效性。以PD为例，研究人员证明了该方法能够识别具有临床相关性的萎缩模式，并支持对学习到的疾病特征进行实例级和群体级的解释。这项工作为提高深度学习分类中形态学贡献的可解释性奠定了基础，这对于建立对深度学习模型临床应用的信任具有重要意义。