一种用于卵巢癌精确诊断的可解释机器学习框架
机器学习
2024-07-31 v1 人工智能
摘要
卵巢癌（Ovarian Cancer, OC）是女性中最常见的癌症类型之一。早期和准确的诊断对患者的生存至关重要。然而，由于缺乏有效的生物标志物和精确的筛查工具，大多数女性在晚期才被诊断。以往研究寻找共同的生物标志物，而我们的研究建议为绝经前和绝经后人群使用不同的生物标志物。这可以为寻找有效诊断OC的新型预测因子提供新视角。缺乏可解释性是当前AI系统的一个主要局限。ML算法的随机性引发了对系统可靠性的担忧，因为难以解释决策背后的原因。为了增加诊断系统的可信度和问责性，并提供预测背后的透明度和解释，可解释AI已被整合到ML框架中。采用SHAP来量化所选生物标志物的贡献并确定最具判别力的特征。建立了一个混合决策支持系统，可以消除ML算法黑箱特性造成的瓶颈，提供一个安全可信的AI工具。所提出系统获得的诊断准确率大幅优于现有方法以及最先进的ROMA算法，这表明其有潜力成为OC鉴别诊断的有效工具。
引用
@article{arxiv.2312.08381,
title = {An Explainable Machine Learning Framework for the Accurate Diagnosis of Ovarian Cancer},
author = {Asif Newaz and Abdullah Taharat and Md Sakibul Islam and A. G. M. Fuad Hasan Akanda},
journal= {arXiv preprint arXiv:2312.08381},
year = {2024}
}