一个新的基于案例的推理系统,用于解释肺癌诊断
Abolfazl Bagheri Tofighi1, Abbas Ahmadi1, Hadi Mosadegh1
1Department of Industrial Engineering & Management Systems, Amirkabir University of Technology (Tehran Polytechnic), Tehran, Iran.
Computers in biology and medicine
|December 20, 2024
概括
这项研究引入了一个可解释的基于案例推理 (XCBR) 方法来诊断肺癌. 它通过为预测提供明确的解释,改善早期检测和患者的结果来增强人工智能信任.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 肺癌是全球主要的健康问题,在早期发现后的生存率更高.
- 人工智能 (AI) 决策支持系统有助于诊断,但往往缺乏透明度,阻碍了医生信任.
- 可解释性对于人工智能在癌症诊断等关键医疗应用中的采用至关重要.
研究的目的:
- 为肺癌诊断开发一种可解释的基于案例推理 (XCBR) 方法.
- 通过透明和可靠的预测,增强人工智能驱动的医疗决策支持系统.
- 通过可解释的人工智能改进早期肺癌检测.
主要方法:
- 提出了一个可解释的基于案例的推理 (XCBR) 框架,包括案例复杂性.
- 采用了与Naïve Bayes (NB) 和多层感知器 (MLP) 的等级分类系统.
- 集成的沙普利添加式解释 (SHAP) 用于MLP透明度和哈里斯·霍克斯优化用于特征选择.
主要成果:
- 在两个不同的数据集上实现了94.47%和100%的高诊断准确度.
- 通过威尔科克森签名等级测试,证明了与最先进的方法可比的分类准确性.
- 通过在预测中优先考虑案例复杂性,展示了卓越的可解释性.
结论:
- 拟议的XCBR方法为肺癌诊断提供了一个可靠和可解释的AI解决方案.
- 增强的可解释性可以提高医生对AI诊断工具的采用和信心.
- 这种方法特别适合复杂和严重的疾病,需要透明的决策.
