超越黑盒子:可解释的人工智能与可解释的神经网络 (ENN) 对于急性心肌梗塞 (AMI) 使用常见的血液学参数

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 血液学 血液学 血液学

背景情况:

• 急性心肌梗塞 (AMI) 的诊断依赖于各种临床因素.
• 血液学参数提供了一个潜在的成本效益和非侵入性诊断途径.
• 可解释的AI模型可以提高诊断准确性和临床信任.

研究的目的:

• 评估常规血液学参数对AMI的诊断潜力.
• 开发和验证用于AMI检测的可解释神经网络 (ENN) 模型.
• 为了利用夏普利添加式解释 (SHAP) 来实现模型的解释性.

主要方法:

• 对981名患者 (477名AMI患者,504名对照) 的公开可用的数据集进行分析.
• 使用各种血液学特征 (WBC亚型,红细胞指数,血小板标记物) 训练ENN模型.
• 使用引导重抽样来实现通用化,并使用SHAP来进行特征重要性分析.

主要成果:

• 该ENN模型实现了高诊断性能:94.1%的准确性,93.9%的F1得分和0.96的AUC.
• SHAP分析确定了中性粒细胞,白细胞计数,RDW-CV,基细胞和淋巴细胞作为关键预测因素.
• 炎症和红细胞参数显著影响了AMI分类.

结论:

• 具有成本效益的血液参数在AI驱动的AMI诊断中是有效的.
• 该ENN-SHAP集成提供了诊断能力和透明的逻辑.
• 这种可解释的AI模型可以作为临床上可行的准确医学决策支持工具.