可解释的机器学习模型用于大脑疾病:从系统审查的见解
Mirko Jerber Rodríguez Mallma1, Luis Zuloaga-Rotta1, Rubén Borja-Rosales1
1Facultad de Ingeniería Industrial y de Sistemas, Universidad Nacional de Ingeniería, Lima 15333, Peru.
Neurology international
|November 25, 2024
概括
本综述探讨了机器学习 (ML) 对大脑疾病的可解释性. 它强调在医疗保健中需要透明的人工智能,分析了133项关于ML模型和可解释性技术的研究.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 机器学习 (ML) 模型在医疗保健中表现有前途,但它们的临床应用需要透明度.
- 可解释性对于使用人工智能可靠的医疗决策至关重要.
研究的目的:
- 在大脑疾病研究中系统地审查ML模型的应用和解释性.
- 确定在这个领域中使用的常见的ML模型和可解释性技术.
主要方法:
- 在Web of Science,Scopus和PubMed数据库中进行了系统的文献搜索.
- 包括2014年1月至2023年12月期间发表的研究.
- 从最初的682项研究中分析了133项相关研究.
主要成果:
- 该审查确定了11种不同的ML模型和12种可解释性技术,应用于20种不同的脑疾病.
- 可解释AI (XAI) 对于验证神经学研究中的ML越来越重要.
结论:
- 可解释性是ML在脑疾病诊断和研究中可靠实施的关键因素.
- 进一步的研究可以专注于开发和应用复杂的神经疾病的先进可解释性方法.
