机器学习预测在临床步态分析中的解释研究
机器学习
2022-02-09 v2 机器学习
摘要
机器学习(ML)正日益用于支持医疗健康领域的决策。尽管 ML 方法在分类性能方面展现出有前景的结果,但大多数存在一个核心局限,即其黑盒特性。出于理解 ML 模型运作机制的兴趣,可解释人工智能(XAI)领域的方法近来变得重要。本文研究了 XAI 方法在临床步态分类中的效用。为此,采用一种成熟的 XAI 方法即逐层相关性传播(LRP)对最先进分类方法的预测进行解释。我们提议用两种互补方法评估所得解释:利用统计参数映射对底层数据进行统计分析,以及由临床专家进行定性评估。使用了一个包含 132 名不同下肢步态障碍患者和 62 名健康对照者的地面反作用力测量步态数据集。我们研究了若干步态分类任务,采用了多种分类方法,并分析了数据归一化及不同信号分量对分类性能和解释质量的影响。我们的实验表明,LRP 获得的解释在类间判别性方面展现出有前景的统计特性,并且也与临床相关的生物力学步态特征相一致。
引用
@article{arxiv.1912.07737,
title = {On the Explanation of Machine Learning Predictions in Clinical Gait Analysis},
author = {Djordje Slijepcevic and Fabian Horst and Sebastian Lapuschkin and Anna-Maria Raberger and Matthias Zeppelzauer and Wojciech Samek and Christian Breiteneder and Wolfgang I. Schöllhorn and Brian Horsak},
journal= {arXiv preprint arXiv:1912.07737},
year = {2022}
}
备注
37 pages, 7 figures, 2 tables, 24 supplementary figures, 1 supplementary table