通过多模式临床和神经成像数据来诊断阿尔茨海默病的功能增强可解释的人工智能模型

科学领域:

• 医学的人工智能
• 神经科学
• 医学成像分析

背景情况:

• 阿尔茨海默病 (AD) 诊断需要整合复杂的数据,如临床信息,认知分数 (MMSE) 和MRI扫描.
• 目前的人工智能诊断工具往往缺乏透明度, 阻碍了临床采用.
• 可解释的人工智能 (XAI) 方法对于建立信任和促进在医疗保健中使用人工智能至关重要.

研究的目的:

• 评估功能增强可解释AI (XAI) 方法来支持阿尔茨海默病 (AD) 诊断.
• 评估人工智能可解释性对临床医生的信任和对AD诊断的理解的影响.
• 在XAI框架内整合临床数据,MMSE得分和MRI扫描.

主要方法:

• 一个基于调查的评估, 涉及五位专门研究阿尔茨海默病的经验丰富的医生.
• 参与者评估了人工智能生成的诊断输出,包括临床特征解释,MRI热图和组合解释.
• XAI方法将基于规则的推理与基于示例的可视化结合起来,以提高可解释性.

主要成果:

• 可解释的AI模型在参与的临床医生中获得了100%的信任分数.
• 80%的临床医生表示有条件的信任,表明需要进一步澄清人工智能见解.
• 综合解释格式显著提高了临床医生的对人工智能辅助AD诊断的理解和信心.

结论:

• 这项研究是首次收集临床专家对AD诊断的XAI模型的反.
• 在临床实践中,可解释性是培养人工智能工具信任和可用性的关键因素.
• 在阿尔茨海默病等复杂的诊断任务中,XAI方法对经验丰富的临床医生来说特别有价值.