在量化乳腺癌因素中可解释的人工智能:沙特阿拉伯背景
Turki Alelyani1, Maha M Alshammari2, Afnan Almuhanna3
1Department of Information Systems, College of Computer Science and Information Systems, Najran University, Najran 1988, Saudi Arabia.
Healthcare (Basel, Switzerland)
|May 24, 2024
概括
这项研究使用可解释AI (XAI) 来预测沙特阿拉伯的乳腺癌. 随机森林模型显示出最佳性能,为临床整合提供了洞察力.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 乳腺癌是沙特阿拉伯女性的主要癌症.
- 准确预测良性与恶性病例对于有效治疗至关重要.
- 整合先进的计算方法可以提高诊断准确度.
研究的目的:
- 将可解释的人工智能 (XAI) 技术应用于沙特阿拉伯患者的乳腺癌预测.
- 用临床和病理数据评估六个机器学习模型的性能.
- 使用LIME和SHAP方法提高模型的解释性.
主要方法:
- 在沙特阿拉伯乳腺癌数据上训练和评估了六种机器学习模型.
- 性能指标包括准确性,精度,回忆,F1分数和AUC-ROC分数.
- 为了解释性,使用了局部可解释的模型不可知解释 (LIME) 和SHAP.
主要成果:
- 随机森林模型实现了最高准确度 (0.72) 和其他指标的强性能.
- 支持矢量机模型表现出最低的预测能力.
- 在不同模型中,XAI方法揭示了不同特征的重要性.
结论:
- 机器学习,特别是随机森林,对沙特阿拉伯的乳腺癌预测有希望.
- XAI技术为模型决策过程提供了关键的见解.
- 这些发现支持AI工具在临床乳腺癌诊断中潜在的整合.


