データリークを考慮した被験者レベル評価を用いたマルチモーダル3D CNNによる3D MRIベースのアルツハイマー病分類

要旨：深層学習は構造的MRIからのアルツハイマー病（AD）分類の重要なツールとなっています。多くの既存研究はMRI体積から抽出された個々の2Dスライスを分析しますが、臨床神経画像診断の実践では通常、脳の完全な三次元構造に依存します。この観点から、体積分析は病気の進行に関連する脳領域間の空間的関係をよりよく捉える可能性があります。動機づけとして、本研究は生データのOASIS 1 MRI体積を用いたAD分類のためのマルチモーダル3D畳み込みニューラルネットワークを提案します。モデルは、FSL FAST分割によって得られた灰白質、白質、および脳脊髄液の確率マップと構造的T1情報を組み合わせ、補完的な神経解剖学情報を捉えます。提案手法は、臨床的にラベル付けされたOASIS 1コホートで5分割被験者レベルの交差検証を用いて評価され、平均精度は72.34%±4.66%、ROC AUCは0.7781±0.0365を達成しました。GradCAMの視覚化は、モデルが内側側頭葉および脳室領域を含む解剖学的に意味のある領域に焦点を当てていることをさらに示しています。データ表現と評価戦略が報告される性能にどのように影響するかをより良く理解するため、スライスベース版データセットを用いて、スライスレベルおよび被験者レベルの両方のプロトコルで追加の診断実験が行われました。これらの観察は、体積的結果の文脈を提供するのに役立ちます。全体として、提案されたマルチモーダル3Dフレームワークは再現可能な被験者レベルのベンチマークを確立し、アルツハイマー病分類のための体積MRI解析の潜在的な利点を際立たせます。