整合联合学习,以改善毒症治疗临床决策支持系统中的反事实解释

科学领域:

• 医疗保健中的人工智能
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 人工智能 (AI) 在临床决策支持系统 (CDSS) 中表现有前途.
• 可解释的人工智能 (XAI) 提高了医疗专业人员的模型解释性和可信度.
• 反事实解释是一种用户友好的XAI技术,适合医疗保健.

研究的目的:

• 为了应对有限数据的挑战,为了培养反事实解释的生成模型.
• 提出联合学习作为一种保护隐私的方法,用于在多家医院之间合作培训这些模型.
• 评估联合学习在CDSS环境中产生高质量的反事实效果的有效性.

主要方法:

• 利用联合学习来训练在多个机构中进行反事实解释的生成模型.
• 将联合学习生成的反事实与本地生成的反事实的性能进行了比较.
• 评估了联合学习模型与中央训练模型的性能和隐私保护.
• 将联合学习方法集成到血治疗建议的原型CDSS中.

主要成果:

• 联合学习显著超过了本地产生的反事实.
• 通过联合学习训练的生成模型的表现与集中训练的模型相比,只有微不足道的差异.
• 提出的方法在协作培训过程中成功地保护了数据隐私.
• 集成的CDSS展示了一个可行的概念验证,用于现实世界的临床应用.

结论:

• 联合学习是一种可行且有效的策略,用于训练医疗保健中的反事实解释的生成模型.
• 这种方法使人工智能模型开发的多机构合作成为可能,同时确保患者数据的隐私.
• 开发的方法提高了人工智能驱动的临床决策支持系统的可靠性和采用.