面向新生儿健康的人工智能模型解释性研究——基于情景假设的分析
机器学习
2026-04-29 v2 人工智能
摘要
早期检测产前风险可实现及时干预，以防止或缓解脑性瘫痪等不良分娩结局。然而，目前缺乏准确的自动化系统来支持分娩期间的临床决策。为填补这一空白，我们提出一种人工智能模型用于新生儿健康（Artificial Intelligence for Modeling and Explaining Neonatal Health, AIMEN），其深度学习框架从母婴、产科和产程因素预测不良分娩结果，同时提供可解释的推理依据。AIMEN 揭示了特定输入变量修改如何改变预测结果，从而增强临床洞察。为解决类别不平衡和样本量有限的问题，AIMEN 采用条件表格生成对抗网络（CTGAN）进行数据增强。该过程包括合成数据生成，并详细探讨了放宽部分训练点特征取值范围以探索略超出常规生理值的情形，以及应用簇系数评分进行筛选以提高合成样本的可分离性。AIMEN 使用全连接神经网络的集成进行分类，超越 XGBoost、TabNet、DANet 和 LightGBM 等最先进模型，在预测高风险分娩方面实现了 0.784 的平均 F1 分数。此外，AIMEN 生成反事实解释，识别涉及仅 2-3 个属性的可操作性变更。资源：https://github.com/ab9mamun/AIMEN
引用
@article{arxiv.2410.09635,
title = {Use of What-if Scenarios to Help Explain Artificial Intelligence Models for Neonatal Health},
author = {Abdullah Mamun and Lawrence D. Devoe and Mark I. Evans and David W. Britt and Judith Klein-Seetharaman and Hassan Ghasemzadeh},
journal= {arXiv preprint arXiv:2410.09635},
year = {2026}
}
备注
Accepted for publication in ACM Transactions on Computing for Healthcare (ACM HEALTH), April 2026. 26 pages, 9 figures