培养信任和可解释性:将可解释AI (XAI) 与机器学习相结合,以提高疾病预测和决策透明度

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 机器学习用于疾病预测和预测

背景情况:

• 人工智能 (AI) 显著推进了早期疾病检测和临床决策支持.
• 人工智能模型的"黑盒子"性质阻碍了由于缺乏透明度而在医疗保健中广泛采用.
• 医疗从业者需要对人工智能驱动的诊断结果进行可理解的推理.

研究的目的:

• 开发一个混合机器学习 (ML) 框架,整合可解释AI (XAI) 策略.
• 提高医疗保健中的AI模型的预测性能和可解释性.
• 解决人工智能驱动的医疗诊断透明度的关键需求.

主要方法:

• 使用了混合ML框架,包括决策树,天真湾,随机森林和XGBoost算法.
• 综合可解释的人工智能 (XAI) 技术,特别是SHAP (夏普利添加式解释) 和LIME (局部可解释模型不可知解释).
• 应用了用于预测糖尿病,贫血,血病,心脏病和血小板狭窄的风险的框架.

主要成果:

• 在预测各种医疗状况方面达到99.2%的高准确度.
• 该框架成功地为人工智能生成的预测提供了可理解的解释.
• 为每个预测做出贡献的关键特征被确定并使用SHAP和LIME显示.

结论:

• 开发的框架提高了人工智能模型的解释性和医疗保健中的预测准确性.
• 可理解的AI输出使临床从业者能够做出明智的决策,减少不信任.
• 这种方法弥合了人工智能能力和临床采用在关键医疗场景之间的差距.