乳腺癌检测与风险预测中的可解释人工智能：系统性范围综述
定量方法
2024-07-18 v1 图像与视频处理
摘要
随着人工智能 (AI) 的不断进步，数据驱动的算法在医学领域日益受到青睐。然而，由于许多此类算法的非线性和复杂行为，其决策过程对临床医生而言并不可信，被视为黑箱过程。因此，科学界引入了可解释人工智能 (XAI) 以解决此问题。本系统性范围综述探讨了 XAI 在乳腺癌检测和风险预测中的应用。我们采用系统化检索策略，在 Scopus、IEEE Explore、PubMed 和 Google Scholar（取前 50 条引用）上进行全面检索。检索范围为 2017 年 1 月至 2023 年 7 月，聚焦于在乳腺癌数据集上实现 XAI 方法的同行评议研究。最终纳入 30 项研究进行分析。结果显示，Shapley 增益解释 (SHAP) 是乳腺癌研究中最常用的模型无关型 XAI 技术，主要用于解释模型预测结果、诊断和生物标志物分类，以及预后和生存分析。此外，SHAP 模型主要解释基于树的集成机器学习模型。其最常见原因是 SHAP 模型无关，这使其既受欢迎又有用，可以解释任何模型的预测。此外，实施 SHAP 也相对容易，且完全适用于诸如基于树的模型等高性能模型。可解释 AI 提升了 AI 赋能的健康系统和医疗器械的透明度、可解释性、公平性和可信度，从而最终提高护理质量和结果。
引用
@article{arxiv.2407.12058,
title = {Explainable artificial intelligence in breast cancer detection and risk prediction: A systematic scoping review},
author = {Amirehsan Ghasemi and Soheil Hashtarkhani and David L Schwartz and Arash Shaban-Nejad},
journal= {arXiv preprint arXiv:2407.12058},
year = {2024}
}
备注
22 Pages, 6 Figures, 13 Tables