一个可解释的深度学习框架,用于生物传感数据解释在生物医学工程和实时健康诊断.
Zheng Yang1,2, Weihong Huang3,4, Heng Zhang5
1The Chinese University of Hong Kong, Shenzhen, Guangdong, China.
Frontiers in bioengineering and biotechnology
|March 2, 2026
概括
本研究引入了一个可解释的AI框架,使用物理图推理网络 (PGIN) 来从生物信号中进行可解释的健康评估. 它实现了高精度,为临床使用提供可靠的生物医学智能.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 生物信号分析通常依赖于缺乏可解释性的复杂模型.
- 需要人工智能框架,从生理数据提供透明的健康评估.
研究的目的:
- 开发一个可解释的深度学习框架,将生物信号动态转化为可解释的健康评估.
- 通过适应性健康状态推断机制 (AHSIM) 提高适应性和诊断细分度.
主要方法:
- 物理图推理网络 (PGIN) 结合了时间图推理与概率模型.
- 适应性健康状况推理机制 (AHSIM) 根据不确定性和信号调整诊断细粒度.
主要成果:
- 该框架在四个生物传感数据集上实现了卓越的诊断准确性 (高达92.48%) 和AUC (高达93.65%).
- 超越了基于变压器的基线,如RoBERTa和T5.5.
- 提供透明的不确定性估计,证明其适用于临床和可穿戴应用.
结论:
- 该框架成功地整合了生理学语义和模型可解释性.
- 它弥合了黑盒人工智能和可信赖的生物医学智能之间的差距.
- 提供可靠的解决方案,用于使用生物信号进行可解释的健康评估.
