一种可解释和强大的深度学习方法用于基于脑电图的自动化精神分裂症诊断
Abhinav Sattiraju1, Charles A Ellis1, Robyn L Miller1
1Tri-institutional Center for Translational Research in Neuroimaging and Data Science: Georgia State University, Georgia Institute of Technology, Emory University, Atlanta, GA 30303 USA.
bioRxiv : the preprint server for biology
|July 3, 2023
概括
这项研究引入了一种通道脱落方法,以提高深度学习模型的稳定性,用于使用脑电图 (EEG) 数据诊断精神分裂症 (SZ),从而提高临床环境中的可靠性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
背景情况:
- 精神分裂症 (SZ) 诊断依赖于症状的变化,需要客观的方法.
- 电脑电图 (EEG) 的深度学习为自动化SZ诊断提供了高时间精度.
- 模型的稳定性和可解释性对于AI在SZ检测中的临床应用至关重要.
结论:
- 道脱落方法增强了可解释AI模型的稳定性,用于基于EEG的精神分裂症诊断.
- 研究结果支持人工智能工具从研究转向临床决策支持系统.
- 鼓励进一步开发强大的和可解释的AI,以改善精神疾病诊断.
