面向临床诊断的动态不确定因果图方法及其实际应用：可解释性与不变性
人工智能
2024-06-11 v1 人机交互
机器学习
摘要
AI辅助临床诊断是医疗护理中期待的功能。现有的深度学习模型缺乏可解释性，主要关注图像分析。近期发展的动态不确定因果图（Dynamic Uncertain Causality Graph, DUCG）方法是以因果为驱动、可解释且在不同应用场景下保持不变性的方法，无需数据收集、标注、拟合、隐私、偏见、泛化、高成本和高能耗等问题。通过临床专家与DUCG技术人员的紧密合作，构建了46个DUCG模型，覆盖54种主诉。 retrospective 验证后，这46个模型在实际中国应用中实现了超过100万例真实诊断，仅有17例错误诊断。由于DUCG的透明性，发现了导致错误诊断的错误并予以纠正。应用DUCG的临床医生诊断能力显著提高。本文在介绍先前提出的DUCG方法论后，还提出了潜在医学检查的推荐算法，并提取了DUCG的关键思想。
引用
@article{arxiv.2406.05746,
title = {Methodology and Real-World Applications of Dynamic Uncertain Causality Graph for Clinical Diagnosis with Explainability and Invariance},
author = {Zhan Zhang and Qin Zhang and Yang Jiao and Lin Lu and Lin Ma and Aihua Liu and Xiao Liu and Juan Zhao and Yajun Xue and Bing Wei and Mingxia Zhang and Ru Gao and Hong Zhao and Jie Lu and Fan Li and Yang Zhang and Yiming Wang and Lei Zhang and Fengwei Tian and Jie Hu and Xin Gou},
journal= {arXiv preprint arXiv:2406.05746},
year = {2024}
}