^(18)F-FDG PET图像联合可解释的深度学习影像组学模型对原发性帕金森病和非典型性帕金森综合征的鉴别诊断

目的探究^(18)F-FDG PET图像结合可解释的深度学习影像组学(IDLR)模型在原发性帕金森病(IPD)和非典型性帕金森综合征鉴别诊断中的应用价值。资料与方法本横断面研究纳入2015年3月—2023年2月复旦大学附属华山医院帕金森病PET成像基准数据库330例帕金森病患者的^(18)F-FDG PET图像,其中IPD 211例、进行性核上性麻痹(PSP)59例、多系统萎缩(MSA)60例;包括2个队列(训练组270例和测试组60例)。采集所有受试者的^(18)F-FDG PET图像及临床信息并进行比较。开发一种IDLR提取特征指标,在影像组学特征的监督下从神经网络提取器收集的特征中筛选IDLR特征,并在测试组中构建二分类支持向量机模型,分别计算构建的IDLR模型、传统影像组学模型、标准化摄取值比值模型、深度学习模型在IPD/PSP/MSA组间两两分类的模型性能指标与曲线下面积。采用100次10折交叉验证在2个队列中进行独立分类与测试。通过特征映射展示大脑相关感兴趣区,使用梯度加权类激活图突出大脑中最相关的信息并可视化,检查不同疾病组的模型输出热力图,并将其与临床诊断位置进行比较。结果IDLR模型在不同帕金森综合征患者中分类效果最好,测试组中的曲线下面积(MSA与IPD 0.9357,MSA与PSP 0.9754,IPD与PSP 0.9825)优于其他模型(影像组学模型:Z=1.31~2.96,P均<0.05;标准化摄取值比值模型:Z=1.22~3.23,P均<0.05)。筛选后的IDLR特征映射的影像组学感兴趣区与梯度加权类激活图切片热力图可视化高度一致。结论IDLR模型在^(18)F-FDG PET图像中具备对IPD和非典型性帕金森综合征的鉴别诊断潜力。

基于可解释注意力部件模型的行人重识别方法

大多数行人重识别(Person re-identification,ReID)方法仅将注意力机制作为提取显著特征的辅助手段,缺少网络对行人图像关注程度的量化研究.基于此,提出一种可解释注意力部件模型(Interpretable attention part model,IAPM).该模型有3个优点:1)利用注意力掩码提取部件特征,解决部件不对齐问题;2)为了根据部件的显著性程度生成可解释权重,设计可解释权重生成模块(Interpretable weight generation module,IWM);3)提出显著部件三元损失(Salient part triplet loss,SPTL)用于IWM的训练,提高识别精度和可解释性.在3个主流数据集上进行实验,验证所提出的方法优于现有行人重识别方法.最后通过一项人群主观测评比较IWM生成可解释权重的相对大小与人类直观判断得分,证明本方法具有良好的可解释性.

核电人工智能应用:现状、挑战和机遇

近年来,人工智能技术被广泛应用于核电领域,以促进核电厂通过实现自诊断、自寻优、自适应,最终达到提高生产效率、降低运行成本、提高运行安全性的目的。本文介绍了在核电领域经常使用的人工智能技术,总结了其在智慧矿山、智能设计、智能制造和智能运维4个核工业典型应用场景中的研究现状,最后,从数据样本、网络安全、深度学习的解释性3个方面分析了人工智能技术在核电领域应用的挑战和发展趋势。