طراحی و توسعه چارچوب تفسیرپذیر مبتنی بر مدل های ترنسفورمر به منظور تحلیل و طبقه بندی گروه های مرتبط با بیماری آلزایمر

بیماری آلزایمر یکی از شایع ترین اختلالات نورودژنراتیو و مهم ترین عامل زوال عقل در سالمندان است که تشخیص به موقع آن به ویژه در مراحل اولیه نقش مهمی در برنامه ریزی درمانی مراقبتی و مدیریت روند بیماری دارد. با توجه به ماهیت پیچیده و چند ناحیه ای تغییرات ساختاری مغز در این بیماری، تصویربرداری تشدید مغناطیسی (MRI) به عنوان یکی از منابع مهم برای استخراج الگوهای مرتبط با نورودژنراسیون مورد توجه قرار گرفته است. اگرچه روش های یادگیری عمیق به ویژه شبکه های عصبی کانولوشنی توانایی قابل توجهی در تحلیل خودکار تصاویر مغزی نشان داده اند، محدودیت در مدل سازی وابستگی های بلندبرد میان نواحی مختلف مغز و همچنین ماهیت جعبه سیاه بسیاری از مدل ها استفاده بالینی از این روش ها را با چالش مواجه کرده است. پژوهش حاضر با هدف توسعه و ارزیابی یک چارچوب از هوش مصنوعی توضیح پذیر مبتنی بر (Vision Transformer (VIT برای تحلیل تصاویر مغز و شناسایی الگوهای مرتبط با بیماری آلزایمر انجام می شود. در چارچوب پیشنهادی، تصویر موجود به مجموعه ای از دسته های تصویری تبدیل شده و با بهره گیری از سازوکار خودتوجهی، بررسی وابستگی ها و روابط فضایی میان بخش های مختلف تصویر به صورت سراسری مدل سازی می شوند. برخلاف رویکردهایی که تفسیرپذیری را صرفا به نمایش نقشه توجه (Attention Map) محدود می کنند، در این پژوهش تفسیر تصمیم مدل به عنوان یک مولفه مستقل از ارزیابی عملکرد در نظر گرفته شده و با استفاده از روش های توصیفی، نواحی و الگوهای تصویری موثر بر پیش بینی شناسایی و تحلیل خواهند شد. بدین ترتیب علاوه بر تعیین برچسب تشخیصی، امکان بررسی شواهد تصویری پشت تصمیم مدل و مقایسه آن با الگوهای نورواناتومیک شناخته شده مرتبط با نورودژنراسیون فراهم می شود. در کنار فرایند طبقه بندی، یک سازوکار تفسیرپذیری برای شناسایی و نمایش نواحی تصویری موثر در تصمیم مدل به کار گرفته می شود تا علاوه بر پیش بینی نهایی، شواهد تصویری مرتبط با آن نیز قابل بررسی باشد. عملکرد مدل پیشنهادی با استفاده از معیارهای متداول شامل Specificity، F۱-Score، Recall، Accuracy و Area Under the ROC Curve (AUC) ارزیابی شده و رفتار مدل در نمونه های صحیح و دارای خطا نیز مورد تحلیل قرار می گیرد. نوآوری اصلی پژوهش در نگاه همزمان به دقت تشخیصی، مدل سازی وابستگی های فضایی و ارزیابی تفسیرپذیری تصمیمات است؛ به گونه ای که هوش مصنوعی توصیفی نه تنها به عنوان یک ابزار جانبی برای تولید تصاویر توضیحی بلکه به عنوان بخشی از فرایند ارزیابی اعتبار مدل در نظر گرفته می شود. انتظار می رود چارچوب پیشنهادی بتواند ضمن بهره گیری از ظرفیت مدل های ترنسفورمری برای یادگیری الگوهای پیچیده و چند ناحیه ای، شواهد تصویری قابل بررسی از فرایند تصمیم گیری خود ارائه کند و از این طریق گامی در جهت توسعه سامانه های هوش مصنوعی قابل اعتماد، قابل تفسیر و قابل ارزیابی بالینی برای پشتیبانی از تشخیص بیماری آلزایمر بردارد.

کلیدواژه ها:

بیماری آلزایمر ، تصویر برداری تشدید مغناطیسی (MRI) ، یادگیری عمیق ، هوش مصنوعی توضیح پذیر ، مدل های مبتنی بر ترنسفورمر