医学中的整合人工智能；性能提升与可解释性
人工智能
2025-07-02 v1 机器学习
摘要
随着人工智能在医学领域的应用日益增长，我们之前引入了HAIM（Holistic AI in Medicine），该框架融合多模态数据以解决下游临床任务。然而，HAIM以任务中性的方式使用数据，且缺乏可解释性。为此，我们引入xHAIM（Explainable HAIM），一种新型框架利用生成式人工智能通过四个结构化步骤来提升预测性能与可解释性：（1）自动识别跨模态中与任务相关的患者数据；（2）生成患者综合概述；（3）利用这些概述进行改进的预测建模；（4）通过将预测链接到患者特定的医学知识，提供临床解释。我们在HAIM-MIMIC-MM数据集上进行评估，xHAIM在胸部病理学和手术任务上的平均AUC从79.9%提升至90.3%。重要的是，xHAIM将AI从黑箱预测器转化为可解释的决策支持系统，使临床医生能够交互式地追溯预测与相关患者数据的关系，桥接AI技术进步与临床实用性。
引用
@article{arxiv.2507.00205,
title = {Holistic Artificial Intelligence in Medicine; improved performance and explainability},
author = {Periklis Petridis and Georgios Margaritis and Vasiliki Stoumpou and Dimitris Bertsimas},
journal= {arXiv preprint arXiv:2507.00205},
year = {2025}
}
备注
Submitted to npj Digital Medicine