用于检测和表征B期心力衰竭的可解释人工智能

B期心力衰竭的特征是无症状的结构或功能心脏异常。识别处于此阶段的个体在临床上很重要，因为早期检测可能有助于采取有针对性的干预措施，以防止进展为有症状的疾病。可解释人工智能（XAI）可能支持早期检测、透明的风险分层和选择临床上可操作的干预措施。本综述考察了XAI在检测和表征B期心力衰竭中的应用。于2026年3月27日对Web of Science、Scopus和PubMed进行了文献检索。如果研究将AI与XAI技术应用于B期心力衰竭，则纳入研究。筛选后，共纳入20项研究。提取并综合了关于模态、结果、人口统计学报告和XAI方法的数据。SHAP是最常用的方法，其次是LIME、显著性图和Grad-CAM；然而，XAI的采用并不一致，一些研究依赖于有限或临时的可解释性方法。值得注意的是，尽管有证据表明亚组在疾病负担上存在差异，但没有研究比较不同性别或种族亚组的解释。对XAI输出的评估往往不足：一些研究未评估解释，而另一些研究仅依赖基于文献的比较，引入了潜在偏差。这些局限性表明，可解释性并未得到系统验证或利用，以支持稳健和公平的临床推断。XAI在提高B期心力衰竭识别的透明度方面显示出前景，但目前的实施仍然有限。主要差距包括对性别和种族的考虑有限、缺乏亚组特异性分析、评估不一致以及缺乏外部验证，所有这些都限制了普遍性和临床采用。