一个全面的可解释的AI方法,以提高中风预测的透明度和可解释性
Marwa El-Geneedy1,2, Hossam El-Din Moustafa3, Hatem Khater4
1Electronics and Communications Engineering Department, Faculty of Engineering, Mansoura University, Mansoura, 35516, Egypt. melgeneedy@std.mans.edu.eg.
Scientific reports
|July 18, 2025
概括
人工智能 (AI) 和机器学习 (ML) 可以帮助早期预测中风. 这项研究使用了ML分类器和可解释AI (XAI) 来识别中风风险因素,帮助更快的诊断和治疗.
科学领域:
- 医疗信息学 医疗信息学
- 计算医学是一种计算医学.
- 医疗保健中的人工智能
背景情况:
- 脑卒中是导致死亡和残疾的主要原因,特别是在老年人中.
- 早期诊断和治疗对于降低死亡率和严重大脑残疾至关重要.
- 医疗保健专业人员可以从先进的工具中获益,以便更有效,更立即地进行中风管理.
研究的目的:
- 研究机器学习 (ML) 分类器和可解释的人工智能 (XAI) 用于中风预测的应用.
- 通过使用各种特征选择方法识别可表明中风风险的关键特征.
- 为开发人工智能驱动的工具提供初步见解,以协助临床医生在中风患者管理中.
主要方法:
- 使用6种不同的ML分类器,对中风患者数据集进行训练.
- 采用六种特征选择方法从数据中提取关键特征.
- 应用了XAI技术,包括Shapley附加值 (SHAP),ELI5和局部可解释的模型不可知解释 (LIME) 以实现模型的可解释性.
主要成果:
- 成功应用了ML分类器和XAI方法来预测中风.
- 通过特征选择确定了通过特征选择为中风预测做出贡献的基本特征.
- 证明了XAI在理解影响中风预测模型的因素方面的潜力.
结论:
- 人工智能和机器学习在提高早期中风检测和管理方面表现有前途.
- XAI方法为ML模型用于中风预测的决策过程提供了宝贵的见解.
- 需要进一步的临床验证和现实世界的测试来将这些发现转化为实际的医疗保健工具.
关键词:
分类 分类 分类 分类.在 ELI5 中, ELI5 在 ELI5 中.可解释的人工智能 (XAI)功能选择 功能选择在 LIME 时代,这就是 SHAP SHAP 的意思.一次性中风,中风.更多相关视频
10:45The Mouse Stroke Unit Protocol with Standardized Neurological Scoring for Translational Mouse Stroke Studies
Published on: February 7, 2025
805
06:45Author Spotlight: Integrated Photoacoustic, Ultrasound, and Angiographic Tomography (PAUSAT) for NonInvasive Whole-Brain Imaging of Ischemic Stroke
Published on: June 2, 2023
1.7K