通过可解释的AI识别和解释步态分析特征和脚状况
Mustafa Erkam Özateş1, Alper Yaman2, Firooz Salami3
1Fraunhofer IPA, Nobelstrasse 12, Stuttgart, Germany.
Scientific reports
|March 13, 2024
概括
这项研究使用机器学习 (ML) 和可解释AI (XAI) 来自动化足部疾病的临床步态分析. 开发的管道准确地识别疾病,有助于诊断和手术规划.
科学领域:
- 生物力学 生物力学
- 计算科学 计算科学
- 医疗信息学 医疗信息学
背景情况:
- 临床步态分析对于诊断脚部疾病和手术规划至关重要.
- 由于大量的数据,需要自动化步态分析.
- 当前的方法需要高效准确的自动化解决方案.
研究的目的:
- 探索机器学习 (ML) 和可解释的人工智能 (XAI) 用于自动化临床步态分析.
- 用先进的算法识别和分类六种特定的足部疾病.
- 评估已识别的步态特征的临床相关性.
主要方法:
- 手动特征工程和使用支持矢量机 (SVM) 和随机森林 (RF) 的递归特征消除.
- 分类算法的比较,包括SVM,RF,K-近邻 (KNN) 和后勤回归 (LREGR).
- 使用局部可解释模型-不可知解释 (LIME) 开发多数投票 (MV) 组合模型和解释.
主要成果:
- K-近邻 (KNN) 和多数投票 (MV) 模型实现了0.87.87的平均平衡准确度,回忆,精度和F1得分.
- 当地可解释模型-不可知解释 (LIME) 方法确定了每个脚状况最相关的五个特征.
- 高性能得分表明,选定的特征与特定的脚状况之间存在强烈的相关性.
结论:
- 拟议的ML管道有效地自动化了临床步态分析,用于识别足部疾病.
- 鉴定出来的特征显示出对诊断和手术规划的潜在临床相关性.
- 这种可适应的方法可以帮助医疗专家管理各种足部疾病.
