智能医疗保健系统的安全和可解释的人工智能:使用EEG信号诊断的案例研究

科学领域:

• 生物医学工程 生物医学工程
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 通过电脑电图 (EEG) 信号检测发作 (ESD) 存在挑战,原因是复杂的信号模式.
• 自动化ESD系统需要能够解释临床信任和采用.
• 现有的方法往往缺乏解释性,阻碍了临床应用.

研究的目的:

• 为EEG发作检测 (ESD) 开发一个高效,独立于患者的,可解释的框架.
• 整合可解释的人工智能 (XAI) 在自动发作检测中实现透明的决策.
• 使用区块链技术确保生物医学EEG数据的隐私和安全.

主要方法:

• 实施了基于XAI的计算机辅助ES检测系统 (XAI-CAESDs),具有特征工程,检测和可解释的决策模块.
• 使用Butterworth波器去除文物和双树复杂波形变换 (DTCWT) 进行EEG信号分解.
• 使用频域 (FD),时间域 (TD) 和碎形维度 (FD) 提取的特征,通过相关系数 (CC) 和距离相关性 (DC) 选择.
• 用于检测的堆叠集成分类器 (SEC) 和用于模型解释性的沙普利增量解释器 (SHAP).
• 集成区块链用于增强数据隐私和安全性.

主要成果:

• 在多个EEG数据集 (UCI,波恩,麻省理工学院-波士顿) 中,XAI-CAESDs框架实现了高性能.
• 堆叠集成分类器 (SEC) 显示出卓越的准确性,回忆,特异性和F1分数.
• SHAP方法为该模型的发作检测预测提供了可解释的解释.

结论:

• 拟议的XAI-CAESDs框架为自动发作检测提供了一个高效和可解释的解决方案.
• 在智能医疗保健中,XAI和区块链的整合增强了临床决策,诊断准确性和数据安全性.
• 这种方法促进了对人工智能驱动的管理诊断工具的更好理解和信任.