多个实例的学习框架可以促进语检测的解释性

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 心血管疾病 (CVD) 是全球死亡的主要原因之一.
• 通过声心图 (PCG) 检测到的心脏声可以表明心血管疾病,但通常需要专家解释.
• 目前的方法可能会忽略微妙的声指示或缺乏解释性.

研究的目的:

• 开发一种可解释的多任务模型,从多个PCG记录中预测心脏声和临床结果.
• 利用多个实例学习 (MIL) 来改进声检测和定位.
• 整合可解释的特征,以增强临床决策支持.

主要方法:

• 一个两阶段的多任务模型,在第一阶段结合了MIL,用于单个PCG中的声检测.
• 在第二阶段,可以解释的手工制作特征与基于聚合的人工神经网络 (PANN) 的特征融合.
• 通过前神经网络使用多个PCG记录预测患者特异性的存在和临床结果.

主要成果:

• MIL方法有效地识别了声位置,并为PCG分析提供了有用的功能.
• 在CirCor数据集上,PANN模型实现了0.714的加权精度.
• 该模型展示了对默默检测和临床结果预测的竞争性分类性能.

结论:

• 这项工作是第一个证明MIL对声心图分类的实用性的工作.
• 该研究突出了对模型可解释性的定量分析方法,减轻了确认偏差.
• 这些发现强调了将MIL与手工制作的功能相结合的价值,以在心血管诊断中解释AI.