面向医疗事物人工智能的可解释人工智能框架
计算机视觉与模式识别
2024-03-08 v1
摘要
医疗事物人工智能（AIoMT）的融合彻底改变了医疗保健行业，使得先进的数据驱动解决方案能够改善医疗保健系统。随着人工智能（AI）模型复杂性的增加，对可解释人工智能（XAI）技术的需求变得至关重要，特别是在医疗领域，透明且可解释的决策变得关键。因此，在本文中，我们利用一个定制的 XAI 框架，结合了局部可解释模型无关解释（LIME）、SHapley 加性解释（SHAP）和梯度加权类激活映射（Grad-Cam）等技术，该技术专为 AIoMT 领域设计。所提出的框架增强了战略医疗方法的有效性，旨在建立信任并促进对 AI 驱动医疗应用的理解。此外，我们利用多数投票技术聚合来自多个卷积神经网络（CNN）的预测，并利用其集体智能在医疗系统中做出稳健且准确的决策。基于此决策过程，我们将 XAI 框架应用于脑肿瘤检测作为用例，展示了准确且透明的诊断。评估结果强调了 XAI 框架的卓越性能，实现了高精密度、召回率和 F1 分数，训练准确率达到 99%，验证准确率达到 98%。将先进的 XAI 技术与基于集成的深度学习（DL）方法相结合，可实现作为 AIoMT 应用的精确且可靠的脑肿瘤诊断。
引用
@article{arxiv.2403.04130,
title = {An Explainable AI Framework for Artificial Intelligence of Medical Things},
author = {Al Amin and Kamrul Hasan and Saleh Zein-Sabatto and Deo Chimba and Imtiaz Ahmed and Tariqul Islam},
journal= {arXiv preprint arXiv:2403.04130},
year = {2024}
}
备注
7 pages, 8 figures