使用可解释的人工智能的个性化健康监测:弥合预测性医疗保健的信任

科学领域:

• 医疗保健中的人工智能
• 临床决策支持的机器学习
• 医学中的预测分析

背景情况:

• 医疗保健中的深度学习模型往往缺乏解释性, 阻碍了临床采用和信任.
• 现有的可解释性方法通常是通用的,即时的,而不是针对患者的.
• 目前的人工智能方法通常仅限于特定的数据集,并且缺乏在医疗保健场景中的通用性.

研究的目的:

• 开发一个可解释的深度学习模型,PersonalCareNet,用于个性化健康监测和早期疾病预测.
• 在临床环境中解决不可解释的AI模型的局限性.
• 提高人工智能驱动的医疗预测的透明度和临床信任.

主要方法:

• 开发了PersonalCareNet,一种使用注意力的卷积神经网络 (CHARMS) 的新型深度学习方法.
• 综合SHAP (Shapley添加式扩展) 对于全局和特定患者的模型解释性.
• 使用MIMIC- III临床数据集进行培训和评估.

主要成果:

• 个人护理网络的准确性达到97.86%,超过现有的最先进的医疗风险预测模型.
• 该框架在本地 (例如,力图,热图) 和全球 (例如,特征重要性) 层面提供了全面的解释性.
• 在不影响可解释性的情况下实现了显著的性能改进.

结论:

• PersonalCareNet提供了一个可扩展,准确,透明和可解释的AI平台,用于临床护理和个性化诊断.
• 该模型弥合了人工智能性能和可解释性之间的差距,推进了可靠的预测医疗保健.
• 该设计支持扩展到多个数据类型和实时边缘部署以获得更广泛的影响.