大型语言模型时代的可解释的人工智能 (XAI):使用双子座模型在儿童眼科诊断中应用XAI框架

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 神经科学是一个神经科学.

背景情况:

• 眼,一种发育性视力障碍,需要早期检测才能有效治疗.
• 目前对眼的诊断方法是主观的,需要专门的人员,限制了服务不足的地区的可访问性.
• 对于诊断野眼盲的自动化,可扩展和成本效益高的解决方案有极大需求.

研究的目的:

• 开发和评估一个可解释的人工智能 (XAI) 框架,用于使用眼睛跟踪数据检测儿童的眼盲.
• 提高医疗应用中大型语言模型 (LLM) 的透明度和可靠性.
• 创建一个可扩展和可解释的临床决策支持工具,用于诊断眼.

主要方法:

• 利用谷歌双子模型对高保真度眼睛跟踪数据进行分类,以检测眼.
• 开发了一个特征导向解释性提示 (FGIP) 框架,以将LLM分析集中在关键的临床特征上.
• 应用了Quantus框架以使用忠实性,稳定性,本地化和复杂性等指标量化评估分类结果.

主要成果:

• 人工智能模型准确地分类了带有和没有眼盲的受试者,包括患有鼻的人.
• FGIP框架成功地提高了LLM决策过程的透明度和可解释性.
• 量子框架为理解模型性能和可靠性提供了定量基础.

结论:

• 开发的XAI框架展示了LLM的潜力,就像谷歌双子座一样,用于准确和可解释的儿童眼的检测.
• 这种方法提供了一个可扩展和值得信赖的临床决策支持工具,解决传统诊断方法的局限性.
• 进一步开发这些人工智能工具可以显著提高儿科眼科护理的可访问性和可靠性.