[論文レビュー] PIPNet3D: Interpretable Detection of Alzheimer in MRI Scans

Lisa Anita De Santi, Jörg Schlötterer+5 more|arXiv (Cornell University)|Mar 27, 2024

Brain Tumor Detection and ClassificationNeuroscience被引用数 3

ひとこと要約

PIPNet3D は、3D 空間で学習された部品プロトタイプを用いて、人間が理解できる推論を可能にする、アルツハイマー病の診断のための 3D 解釈可能ディープラーニングモデルである。ブラックボックスモデルと同等の性能を達成すると同時に、臨床的に整合性があり、コンパクトで一貫性のあるプロトタイプを生成し、専門家のフィードバックによってさらに改善される。

ABSTRACT

Information from neuroimaging examinations is increasingly used to support diagnoses of dementia, e.g., Alzheimer's disease. While current clinical practice is mainly based on visual inspection and feature engineering, Deep Learning approaches can be used to automate the analysis and to discover new image-biomarkers. Part-prototype neural networks (PP-NN) are an alternative to standard blackbox models, and have shown promising results in general computer vision. PP-NN's base their reasoning on prototypical image regions that are learned fully unsupervised, and combined with a simple-to-understand decision layer. We present PIPNet3D, a PP-NN for volumetric images. We apply PIPNet3D to the clinical diagnosis of Alzheimer's Disease from structural Magnetic Resonance Imaging (sMRI). We assess the quality of prototypes under a systematic evaluation framework, propose new functionally grounded metrics to evaluate brain prototypes and develop an evaluation scheme to assess their coherency with domain experts. Our results show that PIPNet3D is an interpretable, compact model for Alzheimer's diagnosis with its reasoning well aligned to medical domain knowledge. Notably, PIPNet3D achieves the same accuracy as its blackbox counterpart; and removing the remaining clinically irrelevant prototypes from its decision process does not decrease predictive performance.

研究の動機と目的

• 構造的 MRI スキャンからのアルツハイマー病診断のための解釈可能な 3D ディープラーニングモデルの開発。
• 既存の部品プロトタイプネットワークが 3D 医療画像において抱える課題、特に空間的整合性および意味的質の欠如の解消。
• 医学分野の知識に基づいた新規指標と専門家による評価を用いて、プロトタイプの質を評価。
• 臨床的に不要とされるプロトタイプを削除しても性能が低下しないことを示し、モデルのコンパクト性と解釈可能性を向上。
• 放射線科の知識と整合し、臨床意思決定を支援する自己説明可能なモデルの提供。

提案手法

• PIPNet3D は、3D 畳み込みニューラルネットワーク（3D-CNN）をベースにした部品プロトタイプニューラルネットワーク（PP-NN）であり、MRI ボリュームから無教師的に少量の 3D プロトタイプ領域（VOIs）を学習する。
• モデルは 3D 畳み込みバックボーンを用いて特徴を抽出し、その後、グローバル最大プーリングを実行してプロトタイプの存在スコアを生成する。
• 線形でスパースな意思決定層が、プロトタイプ活性化に基づいて予測を計算し、解釈可能性とコンパクト性を確保する。
• プロトタイプの機能的・空間的整合性を評価するための新規指標として、『プロトタイプ脳エントロピー』と『プロトタイプ局在一貫性』が導入された。
• プロトタイプの質と一般化性能の向上を目的として、対照的事前学習の目的関数を用いてモデルを訓練した。
• 専門家評価では、放射線科医がプロトタイプの整合性、局在性、パターンの一貫性を評価し、フィードバックをモデルの解釈可能性の向上に活用した。

Figure 1: Overview of PiPNet3D. 3D prototypes are learned through a CNN backbone. Representations are optimized through a contrastive pre-training step. A linear sparse decision layer computes the predictions based on prototype (VOI) activations.

実験結果

リサーチクエスチョン

• RQ1 3D パートプロトタイプネットワークは、sMRI におけるアルツハイマー病診断に対して、解釈可能で臨床的に意味のある説明を提供できるか？
• RQ2 提案された指標（プロトタイプ脳エントロピーと局在一貫性）は、プロトタイプの質およびモデルの性能とどの程度相関するか？
• RQ3 専門家による検証を受けたプロトタイプは、神経画像診断分野における既存の医学的知識とどの程度一致するか？
• RQ4 臨床的に不要とされるプロトタイプを削除しても、モデルの予測精度やコンパクト性に影響を与えるか？
• RQ5 自己説明可能なモデルは、ブラックボックスディープラーニングモデルと同等の性能をアルツハイマー病診断で達成できるか？

主な発見

• PIPNet3D はブラックボックスモデルと同等の分類精度を達成しており、解釈可能性が性能に悪影響を及えないことを示している。
• プロトタイプ脳エントロピーは F1 スコアと強い負の相関（r = -0.89）を示し、より純度が高く曇りのないプロトタイプが、高いモデル精度をもたらすことを示している。
• 局所的説明あたりの平均プロトタイプ数は 3.8 個であり、高いスパarsity（平均 0.993）を示しており、コンパクトで焦点の当たった説明であることがわかる。
• 専門家評価では、評価者間の信頼性が高く（ICC: 0.80–0.85）、特にアルツハイマー病症例において、局在性（0.70）とパターン（0.90）の整合性が強く確認された。
• 専門家が臨床的に不要と判断したプロトタイプを削除しても、統計的に有意な性能低下が認められず、モデルのロバスト性が維持されつつ、コンパクト性が向上していることが確認された。
• 認知的に正常（CN）クラスでは、一貫性のないプロトタイプが頻発していた（局在性整合性：0.54）、これはモデルが病理の欠如を示す証拠をすべてのクラスに見出す必要があるためであると推測される。

Figure 2: Example of local and global explanation inherently provided by PIPNet3D (fold 5). The global explanation shows all prototypes of the models decision process. The local explanation shows the model’s reasoning for one particular patient.