一个混合可解释的人工智能框架 (HXAI) 用于对阿尔茨海默病的准确和可解释的诊断

科学领域:

• 人工智能在医学中的应用
• 医学成像分析 医学成像分析
• 神经科学是一个神经科学.

背景情况:

• 可解释性AI (XAI) 对于临床诊断至关重要,但目前的方法有限.
• 现有的XAI方法通常集中在临床数据或MRI上,或缺乏清晰度,降低了效用.
• 需要集成的XAI框架来提高诊断精度和信任.

研究的目的:

• 为阿尔茨海默病 (AD) 诊断提出一种新的混合可解释AI (HXAI) 框架.
• 为了实现双层解释性,整合模型不可知和模型特定的解释方法.
• 提高AI在诊断AD的准确性和临床实用性.

主要方法:

• 开发了一个HXAI框架,集成SHAP (模型不可知) 和Grad-CAM (模型特定) 解释方法.
• 结合了临床特征 (MMSE,nWBV,SES,年龄) 与MRI衍生的特征 (ResNet50).
• 利用集体学习与逻辑回归元模型进行综合诊断.

主要成果:

• 基于特征的解释通过基于删除的测试实现了83.61%的可解释性准确性.
• 对MRI预测的模型特定解释达到了58.16%的可解释性准确度.
• 双层方法在解释诊断预测方面表现强.

结论:

• 该HXAI框架提供了多种解释AD诊断方法的结构化整合.
• 双层解释性提高了透明度和可解释性准确性.
• 拟议的框架弥合了AI模型准确性和对AD诊断的临床信心之间的差距.