Multiple Sclerosis (MS) is a complex neurodegenerative disease characterized by heterogeneous progression patterns. Traditional clinical measures like the Expanded Disability Status Scale (EDSS) inadequately capture the full spectrum of disease progression, highlighting the need for advanced Disease Progression Modeling (DPM) approaches.This study harnesses cutting-edge neuroimaging and deep learning techniques to investigate deviations in subcortical volumes in MS patients. We analyze T1-weighted and Fluid-attenuated inversion recovery (FLAIR) Magnetic Resonance Imaging (MRI) data using advanced DL segmentation models, SynthSeg+ and SynthSeg-WMH, which address the challenges of conventional methods in the presence of white matter lesions. By comparing subcortical volumes of 326 MS patients to a normative model from 37,407 healthy individuals, we identify significant deviations that enhance our understanding of MS progression. This study highlights the potential of integrating DL with normative modeling to refine MS progression characterization, automate informative MRI contrasts, and contribute to data-driven DPM in neurodegenerative diseases.

To date, several methods have been developed to explain deep learning algorithms for classification tasks. Recently, an adaptation of two of such methods has been proposed to generate instance-level explainable maps in a semantic segmentation scenario, such as multiple sclerosis (MS) lesion segmentation. In the mentioned work, a 3D U-Net was trained and tested for MS lesion segmentation, yielding an F1 score of 0.7006, and a positive predictive value (PPV) of 0.6265. The distribution of values in explainable maps exposed some differences between maps of true and false positive (TP/FP) examples. Inspired by those results, we explore in this paper the use of characteristics of lesion-specific saliency maps to refine segmentation and detection scores. We generate around 21000 maps from as many TP/FP lesions in a batch of 72 patients (training set) and 4868 from the 37 patients in the test set. 93 radiomic features extracted from the first set of maps were used to train a logistic regression model and classify TP versus FP. On the test set, F1 score and PPV were improved by a large margin when compared to the initial model, reaching 0.7450 and 0.7817, with 95% confidence intervals of [0.7358, 0.7547] and [0.7679, 0.7962], respectively. These results suggest that saliency maps can be used to refine prediction scores, boosting a model's performances.

Motivation: The use of AI in clinical routine is often jeopardized by its lack of transparency. Explainable methods would help both clinicians and developers to identify model bias and interpret the automatic outputs. Goal(s): We propose an explainable method providing insights into the decision process of an MS lesion segmentation network. Approach: We adapt SmoothGrad to perform instance-level explanations and apply it to a U-Net, whose inputs are FLAIR and MPRAGE from 10 MS patients. Results: Our saliency maps provide local-level information on the network's decisions. Predictions of the U-Net rely predominantly on lesions' voxel intensities in FLAIR and the amount of perilesional volume. Impact: These results cast some light on the decision mechanisms of deep learning networks performing semantic segmentation. The acquired new knowledge can be an important step to facilitate AI integration into clinical practice.