利用可解释机器学习改善临床医生在发作-发作间期-损伤连续体上 EEG 模式分类的表现
密码学与安全
2023-06-29 v2
摘要
在重症监护病房（ICUs）中，危重患者通过脑电图（EEGs）进行监测以预防严重脑损伤。可监测的患者数量受限于能够判读 EEG 的受过训练的医师的可及性，且 EEG 判读可能具有主观性并易于出现观察者间差异。用于 EEG 的自动化深度学习系统可减少人为偏差并加速诊断过程。然而，黑盒深度学习模型在现实应用中不可信、难以排查且缺乏问责性，导致临床医生缺乏信任和采用。为应对这些挑战，我们提出了一种新颖的可解释深度学习模型，其不仅预测有害脑波模式的存在，还提供其决策的高质量基于案例的解释。尽管受限于可解释性，我们的模型表现优于相应的黑盒模型。所学习的二维嵌入空间首次提供了发作-发作间期-损伤连续体脑波模式的全局概览。理解我们的模型如何得出其决策的能力，不仅将帮助临床医生更准确地诊断和治疗有害脑活动，还将增加他们在临床实践中对机器学习模型的信任和采用；这可能成为 ICU 神经科医生标准工作流的一个组成部分。
引用
@article{arxiv.2211.05206,
title = {It's TEEtime: A New Architecture Bringing Sovereignty to Smartphones},
author = {Friederike Groschupp and Mark Kuhne and Moritz Schneider and Ivan Puddu and Shweta Shinde and Srdjan Capkun},
journal= {arXiv preprint arXiv:2211.05206},
year = {2023}
}