Explainable machine learning identifies candidate shared neuroanatomical features in Alzheimer's and Parkinson's via importance inversion transfer
Cette étude propose un cadre d'apprentissage automatique explicable basé sur l'inversion de l'importance (IIT) pour identifier des caractéristiques neuroanatomiques partagées entre la maladie d'Alzheimer et la maladie de Parkinson, suggérant ainsi des substrats structurels communs qui pourraient fonder un diagnostic systémique précoce.