可靠的自闭症谱系障碍诊断为儿科使用机器学习和可解释的AI

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 神经科学是一个神经科学.

背景情况:

• 越来越多的人对早期和准确的自闭症谱系障碍 (ASD) 诊断的需求.
• 机器学习 (ML) 和可解释的人工智能 (XAI) 在提高诊断准确性和透明度方面的新兴作用.
• 人工智能的潜力可以彻底改变ASD干预策略.

研究的目的:

• 提出一种将XAI与数据预处理相结合的方法,用于准确和可解释的基于ML的ASD诊断工具.
• 提高临床应用ML模型的透明度.
• 改善临床医生对人工智能驱动的诊断工具的信任.

主要方法:

• 严格的数据预处理:删除异常值,处理缺失的数据,选择特征.
• 使用R和caret包开发和比较ML算法.
• 通过10倍交叉验证和超参数调整与网格搜索进行验证.
• 应用XAI技术用于模型可解释性.

主要成果:

• 数据预处理增强了模型在各种数据集中的通用性和适用性.
• 神经网络和极端梯度增强模型显示出卓越的性能 (准确性,精度,回忆).
• XAI揭示了行为特征对预测的显著影响,增加了可解释性.
• 通过透明的AI洞察力增强临床医生的信任.

结论:

• 成功开发精确和可解释的ML模型用于ASD诊断.
• 将先进的ML方法与AI采用的临床实践相结合.
• 研究结果支持个性化干预和早期诊断实践,以改善ASD结果.
• 通过人工智能驱动的工具,为ASD患者提供了更好的生活质量.