在医疗物联网中用于慢性病预测的可解释AI:整合GAN和几次射击学习

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 公共卫生研究 公共卫生研究

背景情况:

• 慢性病 (CKD) 是一个日益严重的全球健康问题.
• 机器学习 (ML) 对CKD识别有希望,但缺乏临床透明度.
• 不透明的ML模型阻碍了在现实世界医疗保健环境中的采用.

研究的目的:

• 为准确的CKD预测开发一个可解释的ML框架.
• 用生成对抗网络 (GAN) 来解决CKD数据集中缺少的数据挑战.
• 为了评估一些射击学习技术与可解释的AI相结合,用于CKD分类.

主要方法:

• 利用生成对抗网络 (GAN) 在CKD数据集中进行数据归算.
• 采用了少量学习方法:原型网络和模型不可知的元学习 (MAML).
• 综合可解释的AI技术 (SHAP,LIME) 用于模型解释性,并与传统的ML模型 (SVM,LR,DT,RF,VEL) 相比较.

主要成果:

• 使用GAN的少数射击学习模型在CKD预测中显著超过了传统的ML方法.
• 使用GAN的原型网络实现了99.99%的准确性;MAML达到99.92%.
• 原型网络在原始数据上展示了高性能指标 (F1分数,回忆,精度,MCC).

结论:

• 拟议的框架为CKD分类提供了可靠和值得信赖的解决方案.
• 这种方法在医疗物联网 (MIoT) 生态系统中增强了智能医疗应用.
• 该研究促进了准确的CKD预测,检测和最佳的医疗决策.