通过可解释的人工智能和大型语言模型提高疟疾和伤寒诊断的可解释性

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 诊断系统 诊断系统

背景情况:

• 疟疾和伤寒发烧是热带地区的重大健康挑战,通常由药物耐药性和环境因素复杂化.
• 准确的诊断对于有效治疗和降低死亡率至关重要,但传统方法在症状重叠方面扎.
• 现有的机器学习 (ML) 模型提供了准确的预测,但缺乏透明度,由于其"黑子"性质,阻碍了临床采用.

研究的目的:

• 提高人工智能驱动的疟疾和伤寒诊断系统的可解释性和透明度.
• 通过澄清诊断ML模型的决策过程,在医疗保健提供者之间建立信任.
• 将可解释的AI (XAI) 技术与ML模型集成,以改善医疗诊断.

主要方法:

• 实现可解释的AI (XAI) 模型,包括局部可解释模型-不可知解释 (LIME) 和像GPT这样的大型语言模型 (LLM).
• 采用随机森林 (RF) 作为主要的预测模型,其中LIME为特征重要性,ChatGPT 3.5为解释生成.
• 开发了一个集成RF,LIME和GPT的移动应用程序,用于透明的疟疾和伤寒诊断系统.

主要成果:

• 与其他测试模型相比,随机森林模型表现出卓越的性能.
• LIME有效地识别了关键的诊断特征,提高了模型的解释性.
• 在提供清晰的解释方面,ChatGPT 3.5 显示了与其他LLM相比的比较优势.

结论:

• 射频,LIME和GPT的整合创造了一个更加透明和可解释的疟疾和伤寒的AI诊断系统.
• 数据集质量和实时部署的计算需求是关键限制.
• 由XAI增强的AI驱动诊断具有改善资源有限环境中的医疗保健的巨大潜力.