可解释的机器学习对视网膜假肢感知敏感性的预测.
Galen Pogoncheff1, Zuying Hu1, Ariel Rokem2,3
1Department of Computer Science, University of California, Santa Barbara, CA, United States of America.
Journal of neural engineering
|March 7, 2024
概括
机器学习模型准确地预测视网膜假肢的视觉感知值,改善系统的适配. 可解释的人工智能识别了年龄和电极距离等关键因素,增强了视觉结果预测.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 眼科医生 眼科 眼科
背景情况:
- 视网膜假肢通过刺激视网膜细胞来恢复视力,但由于可变的感知值,需要广泛的系统拟合.
- 准确预测这些值对于有效的设备校准至关重要,但仍然是一个挑战.
研究的目的:
- 开发机器学习模型,用于预测视网膜假肢使用者的个人电极值和停用.
- 利用可解释的人工智能 (XAI) 来识别感知敏感性的关键预测因素.
主要方法:
- 将机器学习模型与大型纵向数据集相结合,包括刺激,电极和临床参数.
- 采用XAI技术来分析值预测和电极停电的预测因素的重要性.
主要成果:
- 模型解释了高达76%的感知值差异.
- 实现了0.732的F1得分和0.911的AUC,用于预测电极停用.
- 确定了受试者的年龄,失明开始以来的时间和电极-fovea 距离作为新的预测因素.
结论:
- 机器学习和XAI可以显著改善视网膜假体用户视觉结果的预测.
- 常规收集的临床数据和系统装配可能足以实现有效的基于XAI的预测策略.
- 这种方法有可能改变视网膜假体校准和患者护理的临床实践.


