在纵向阿尔茨海默氏症数据中检测标签噪声,使用可解释的人工智能

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 在纵向阿尔茨海默病 (AD) 研究中,认知状态的准确分类对于早期诊断和干预至关重要.
• 由于主观评估和可变性,AD研究中的噪音诊断标签可能会损害机器学习 (ML) 模型的性能.
• 可解释的人工智能 (XAI) 提供了在复杂的医疗数据集中识别和描述标签不一致的潜力.

研究的目的:

• 探索XAI在纵向AD数据集中检测和描述噪音标签的实用性.
• 制定一个框架来识别潜在的错误分类,而不改变现有的临床诊断.
• 通过解决标签噪声来提高AD研究中使用的ML模型的可靠性.

主要方法:

• 一个预测模型被训练使用一个离开一个主体的验证策略,以获得主体级的可解释性.
• 采用夏普利添加式扩展 (SHAP) 值来分析患者访问中的时间特征重要性变化.
• 来自稳定的个体的统计值被用来标记潜在的标签不一致.

主要成果:

• 这项研究表明,XAI能够识别AD纵向数据中的可能表明有噪音标签的时间过渡.
• 提出了一种方法来标记潜在错误分类的受试者,有助于诊断重新评估.
• 该框架成功地突出了需要进一步审查的病例,而不会改变初级诊断.

结论:

• 将XAI整合到认知状态过渡的分析中可以显著提高纵向AD研究的可靠性.
• 这种方法支持在阿尔茨海默病研究中更强大的ML应用,通过提供对数据质量的洞察力.
• 这些发现表明,一种结构化的方法可以用于识别和解决标签噪声,从而有可能提高诊断准确性和干预策略.