一个无监督的XAI框架用于痴呆症检测,并进行上下文丰富

科学领域:

• 神经成像和人工智能的人工智能
• 临床决策支持系统 临床决策支持系统
• 生物医学信息学 生物医学信息学

背景情况:

• 可解释的人工智能 (XAI) 提高了对临床决策支持人工智能预测的信任.
• 对XAI解释质量的有限验证阻碍了临床采用.
• 卷积神经网络 (CNN) 用于大脑成像分析,但需要可解释的输出.

研究的目的:

• 通过将神经解剖学特征与CNN相关性地图集成,引入评估痴呆症研究中XAI方法的框架.
• 评估不同XAI解释策略对疾病分类准确性和临床有效性的影响.
• 改进XAI解释空间,以提高AI驱动的诊断工具的透明度.

主要方法:

• 从六个队伍 (N=3253) 的脑部MRI扫描中训练了一个CNN,涵盖正常认知,轻度认知障碍,阿尔茨海默病和前性痴呆.
• 集成的神经解剖学形态特征与CNN相关性地图进行分类.
• 实施和评估了三种后期的XAI方法:模型简化,逐例解释和文本解释.
• 使用形态特征作为基本真理和临床医生的定性评估进行了集群分析.

主要成果:

• 以形态丰富的解释空间改善了集群的同质性和完整性.
• 模型简化解释区分转换器和稳定参与者.
• 每个例子的解释建议了认知轨迹,而文本解释提供了基于规则的发现.
• 临床医生评估确定了XAI在临床实践中的挑战和机遇.

结论:

• 开发的框架完善了XAI解释空间和生成方法,用于在痴呆症研究中基于AI的决策支持.
• XAI方法在提高神经退行性疾病的诊断效率和对人工智能系统的临床信任方面表现有前途.
• 将神经解剖学特征与AI相关性地图集成,为验证XAI质量提供了一个强大的方法.