يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية
مقالة بحثية
هنا، نقدم بروتوكولا قابلا للتكرار لتطوير وتقييم نماذج الذكاء الاصطناعي القابلة للتفسير لتحليلات الرعاية الصحية. يدمج سير العمل معالجة البيانات المسبقة، والنمذجة التنبؤية، وقابلية التفسير القائمة على SHAP وLIME وGrad-CAM، والتقييم الكمي، والتحقق المتمحور حول الإنسان لدعم اتخاذ القرار السريري الشفاف والموثوق.
يتعرف بشكل متزايد على الذكاء الاصطناعي القابل للتفسير (XAI) كأداة لا غنى عنها لبناء أنظمة ذكاء اصطناعي موثوقة في الرعاية الصحية، حيث تعد الشفافية والقدرة على شرح القرارات من المكونات الأساسية لاتخاذ القرار السريري. يقدم هذا المنشور نهجا تجريبيا قابلا لإعادة الإنتاج لتطوير وتقييم أنظمة الذكاء الاصطناعي القابلة للتفسير لتحليلات الرعاية الصحية. يدمج خط الأنابيب المطور خطوات المعالجة المسبقة للبيانات، والنمذجة التنبؤية، وتوليد التفسير، والتقييم في سير عمل واحد سلس يمكن تطبيقه على كل من البيانات السريرية المنظمة ومجموعات بيانات التصوير الطبي. أظهرت نماذج التعلم الآلي الجماعية أداء تنبؤيا قويا على مجموعات بيانات جدولية منظمة، في حين أن نماذج التعلم العميق فعالة لتعلم الأنماط المعقدة في بيانات التصوير الطبي. تقنيات مثل SHAP وLIME وGrad-CAM هي تفسيرات عالمية ومحلية تسهل تفسير النماذج. مفيد جدا. يشمل التقييم الكمي للإطار العديد من المقاييس المختلفة مثل الدقة، الدقة، الاسترجاع، درجة F1، ROC-AUC، مقاييس التفسير، الدقة، والاستقرار. تشير النتائج إلى أنه عند التحكم في الظروف التجريبية، أظهر الإطار أداء تنبؤيا وجودة تفسير أفضل في الظروف التجريبية المقيمة. كوثيقة موجهة بالبروتوكول، تدعم هذه القطعة من العمل قابلية التكرار والتوسع، والتنفيذ المستمر من قبل كائنات حية أخرى. هذا النموذج الشفاف والمفهوم للذكاء الاصطناعي هو الأساس الذي تكتسب عليه أنظمة اتخاذ القرار السريري وأنظمة تحليلات الرعاية الصحية الثقة والاستخدام على نطاق واسع.
أصبح الذكاء الاصطناعي (AI) مكونا مهما في الرعاية الصحية الحديثة من خلال دعم تشخيص الأمراض، والتوقعات التشخيصية، وتصنيف المخاطر، وتحليل الصور الطبية،واتخاذ القرار السريري. مكنت التطورات في التعلم الآلي والتعلم العميق أنظمة الرعاية الصحية من معالجة كميات كبيرة من البيانات المنظمة وغير المنظمة، وغالبا ما تحقق أداء تنبؤيا يقارن أو يتجاوز الأساليب الإحصائية التقليدية2. على الرغم من هذه التطورات، تعمل العديد من نماذج الذكاء الاصطناعي كأنظمة صندوق أسود معقدة، مما يصعب على الأطباء وأصحاب المصلحة في الرعاية الصحية فهم كيفية توليد التنبؤات3. هذا النقص في الشفافية يمكن أن يح....
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
تم الحصول على جميع مجموعات البيانات المستخدمة في هذه الدراسة من مستودعات متاحة للجمهور ومجهولة الهوية بالكامل، بما في ذلك مستودع تعلم الآلة في UCI، وقاعدة بيانات PhysioNet MIMIC-III، ومجموعات بيانات أشعة الصدر التابعة للمعاهد الوطنية للصحة. لم يتم الوصول إلى أي معلومات مرضى معروفة. امتثلت الدراسة إلى إرشادات أخلاقيات البحث المؤسسي للتحليل الثانوي للبيانات غير المحددة المتاحة للجمهور. لم تكن هناك حاجة لموافقة مجلس مراجعة المؤسسات الرسمية لأن المشاركين البشريين لم يتم تجنيدهم مباشرة ولم يتم استخدام أي معلومات صحية محمية.
1. نظرة عامة على الأطر التجريبية
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
قمنا بتقييم دقيق لمكون الذكاء الاصطناعي التفسيري في خط الإنتاج بأكمله، وقمنا بتقييم مدى تنقله عبر أنواع مختلفة من بيانات الرعاية الصحية، بما في ذلك البيانات السريرية المنظمة والصور الطبية. أشارت النتائج إلى أداء تنبؤي متسق عبر مجموعات البيانات المقيمة. من بين النماذج التي تم اختبارها، حقق نموذج تعزيز التدرج أعلى دقة بنسبة 97.4٪، تلاها نموذج الغابة العشوائية بنسبة 94.2٪. حققت طرق التعلم العميق المطبقة على مجموعات الصور دقة 91.3٪، بينما حققت نماذج بيرسيبترون متعددة الطبقات نتائج أقل قليلا،.......
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
طورت هذه الدراسة وقيمت سير عمل ذكاء اصطناعي قابل للتفسير (XAI) قابل لإعادة إنتاج لتحليلات الرعاية الصحية، يدمج النمذجة التنبؤية، وتقييم التفسير، والتقييم المرتكز على الطبيب، وموارد القابلية للتكرار ضمن بروتوكول واحد. أظهرت النتائج أن نماذج التعلم الآلي المعتمدة على المجموعات، وخاصة تعزيز التدرج والغابة العشوائية، حققت أعلى أداء تنبؤي على مجموعات بيانات الرعاية الصحية المنظمة المقيمة، في حين كانت نماذج التعلم العميق أكثر ملاءمة للتحليلات القائمة على الصور. تسلط هذه النتائج الضوء على أهمية.......
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
يعلن المؤلفون أنه لا توجد لديهم مصالح مالية متنافسة أو تضارب مصالح مرتبط بهذا العمل. أجريت الأبحاث بشكل مستقل دون أي علاقات تجارية أو مالية يمكن اعتبارها تضارب محتمل في المصالح.
إفصاح عن استخدام الذكاء الاصطناعي
تم استخدام أدوات الذكاء الاصطناعي لتحسين اللغة، والتحقق من النحو، والمساعدة التحريرية أثناء إعداد المخطوطات. تم إجراء جميع المحتوى العلمي، وتصميم التجارب، وتحليل البيانات، والتفسير، والتحقق النهائي من المخطوطة بواسطة المؤلفين. قام المؤلفون بمراجعة والتحقق من جميع المخرجات المدعومة بالذكاء الاصطناعي لضمان الدقة والنزاهة والامتثال لإرشادات المجلة.
يرغب المؤلفون في شكر مؤسساتهم على توفير البنية التحتية والدعم البحثي اللازم لإجراء هذه الدراسة. كما يقر المؤلفون باستخدام مجموعات البيانات المتاحة للجمهور والأدوات مفتوحة المصدر التي سهلت تطوير وتقييم إطار الذكاء الاصطناعي المقترح القابل للتفسير. نشكر بشكل خاص لخبراء المجال الذين قدموا رؤى قيمة خلال مرحلة التقييم المرتكز على الإنسان.
....الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| محطة عمل GPU | حسب الشركة المصنعة | NA | تدريب نماذج التعلم العميق |
| مفكرة Jupyter | مشروع Jupyter | أحدث إصدار مستقر | تنفيذ التجارب التفاعلي |
| LIME | LIME | الإصدار 0.2.0 | تفسيرات محلية |
| Matplotlib | مشروع Matplotlib | الإصدار 3.9 | تصور البيانات |
| قاعدة بيانات MIMIC-III | PhysioNet | الإصدار 1.4 | تحليل السجلات الصحية الإلكترونية |
| مجموعة بيانات NIH Chest X-ray | المركز السريري NIH | مجموعة بيانات عامة | تصنيف الأمراض الصدرية |
| NumPy | مطورو NumPy | الإصدار 1.26 | الحساب العددي وعمليات المصفوفات |
| OpenCV | مؤسسة OpenCV | الإصدار 4.10 | معالجة الصور المسبقة |
| Pandas | فريق تطوير Pandas | الإصدار 2.1 | معالجة البيانات وتجهيزها |
| مجموعة بيانات Pima Indians Diabetes | مستودع UCI للتعلم الآلي | مجموعة بيانات عامة | توقع مخاطر مرض السكري |
| Python 3.11 | مؤسسة Python للبرمجيات | الإصدار 3.11 | بيئة البرمجة الأساسية |
| Scikit-learn | scikit-learn | الإصدار 1.5 | خوارزميات التعلم الآلي والتقييم |
| Seaborn | Seaborn | الإصدار 0.13 | التصور الإحصائي |
| SHAP | SHAP | الإصدار 0.46 | نسبة الميزات وإمكانية التفسير |
| TensorFlow | TensorFlow | الإصدار 2.15 | تطوير نماذج التعلم العميق |
| Windows / Ubuntu Linux | Microsoft / Canonical | NA | نظام التشغيل |
| مجموعة بيانات سرطان الثدي في ويسكونسن | مستودع UCI للتعلم الآلي | مجموعة بيانات عامة | تشخيص سرطان الثدي |
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.