基于多模态ICU数据的院内死亡率预测可解释人工智能
机器学习
2024-01-01 v1 人工智能
摘要
预测重症监护病房（ICU）患者的院内死亡率是最终临床结果的关键。人工智能显示出优越的准确性，但缺乏可解释性。为了解决这个问题，本文提出了一种可解释的多模态死亡率预测器（X-MMP），通过多模态ICU数据提供高效、可解释的人工智能解决方案来预测院内死亡率。我们在框架中采用多模态学习，可以接收来自临床数据的异构输入并做出决策。此外，我们引入了一种可解释方法，即逐层传播到Transformer，作为LRP方法对Transformer的适当扩展，产生对多模态输入的解释，并揭示归因于预测的显著特征。此外，每个模态对临床结果的贡献可以可视化，帮助临床医生理解决策背后的推理。我们基于MIMIC-III和MIMIC-III波形数据库匹配子集构建了一个多模态数据集。在基准数据集上的综合实验表明，我们提出的框架可以在具有竞争力的预测精度下实现合理的解释。特别是，我们的框架可以轻松迁移到其他临床任务，这有助于发现医疗保健研究中的关键因素。
引用
@article{arxiv.2312.17624,
title = {XAI for In-hospital Mortality Prediction via Multimodal ICU Data},
author = {Xingqiao Li and Jindong Gu and Zhiyong Wang and Yancheng Yuan and Bo Du and Fengxiang He},
journal= {arXiv preprint arXiv:2312.17624},
year = {2024}
}