统一阿尔茨海默病疾病进展预测中的可解释性与可解释性
机器学习
2024-06-13 v1
摘要
强化学习（RL）最近在预测阿尔茨海默病（AD）疾病进展方面显示出巨大的潜力，由于其独特的建模领域知识能力。然而，尚不清楚哪些RL算法适合此任务。此外，这些方法本身并非天然可解释的，这限制了其在实际临床场景中的应用。我们的工作回答了这两个重要问题。我们首先构建了一个因果、可解释的AD模型，然后比较了四种当代RL算法在仅使用基线（第0年）数据预测10年期间大脑认知功能的性能。随后，我们应用SHAP（SHapley Additive exPlanations）来解释每个算法在模型中的决策。我们的ethods结合了可解释性与可解释性，提供了关于影响AD疾病进展的关键因素的见解，包括全局和individual（患者水平）分析。我们的发现表明，只有一种RL方法能够满意地建模疾病进展，但后验解释表明，所有方法都未能正确捕捉蛋白酶沉积的重要性——这是阿尔茨海默病的病理标志之一。我们的工作旨在将预测精度与透明度相结合，为临床医生和研究人员提供帮助，以增强疾病进展建模，以支持明智的医疗决策。代码已公开于 https://github.com/rfali/xrlad。
引用
@article{arxiv.2406.07777,
title = {Unifying Interpretability and Explainability for Alzheimer's Disease Progression Prediction},
author = {Raja Farrukh Ali and Stephanie Milani and John Woods and Emmanuel Adenij and Ayesha Farooq and Clayton Mansel and Jeffrey Burns and William Hsu},
journal= {arXiv preprint arXiv:2406.07777},
year = {2024}
}
备注
Previous versions accepted to NeurIPS 2023's XAIA and AAAI 2024's XAI4DRL workshops