論文の概要: Unifying Interpretability and Explainability for Alzheimer's Disease Progression Prediction
- arxiv url: http://arxiv.org/abs/2406.07777v1
- Date: Tue, 11 Jun 2024 23:54:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-13 20:46:21.700510
- Title: Unifying Interpretability and Explainability for Alzheimer's Disease Progression Prediction
- Title（参考訳）: アルツハイマー病の進行予測のための統一的解釈可能性と説明可能性
- Authors: Raja Farrukh Ali, Stephanie Milani, John Woods, Emmanuel Adenij, Ayesha Farooq, Clayton Mansel, Jeffrey Burns, William Hsu,
- Abstract要約: 強化学習は近年,アルツハイマー病(AD)の進行を予測できることが示唆されている。
RLアルゴリズムがどの処理に適しているかは明らかでない。
我々の研究は、予測精度と透明性を融合し、臨床医や研究者が疾患進行モデリングの強化を支援することを目的としている。
- 参考スコア（独自算出の注目度）: 6.582683443485416
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Reinforcement learning (RL) has recently shown promise in predicting Alzheimer's disease (AD) progression due to its unique ability to model domain knowledge. However, it is not clear which RL algorithms are well-suited for this task. Furthermore, these methods are not inherently explainable, limiting their applicability in real-world clinical scenarios. Our work addresses these two important questions. Using a causal, interpretable model of AD, we first compare the performance of four contemporary RL algorithms in predicting brain cognition over 10 years using only baseline (year 0) data. We then apply SHAP (SHapley Additive exPlanations) to explain the decisions made by each algorithm in the model. Our approach combines interpretability with explainability to provide insights into the key factors influencing AD progression, offering both global and individual, patient-level analysis. Our findings show that only one of the RL methods is able to satisfactorily model disease progression, but the post-hoc explanations indicate that all methods fail to properly capture the importance of amyloid accumulation, one of the pathological hallmarks of Alzheimer's disease. Our work aims to merge predictive accuracy with transparency, assisting clinicians and researchers in enhancing disease progression modeling for informed healthcare decisions. Code is available at https://github.com/rfali/xrlad.
- Abstract（参考訳）: 強化学習(Reinforcement Learning, RL)は、最近、アルツハイマー病(AD)の進行を予測することを約束している。
しかし、どのRLアルゴリズムがこの課題に適しているかは明らかでない。
さらに、これらの手法は本質的には説明不可能であり、実際の臨床シナリオにおける適用性を制限している。
私たちの仕事はこれらの2つの重要な問題に対処する。
ADの因果的、解釈可能なモデルを用いて、ベースライン(0)データのみを用いて、脳の認知を10年以上にわたって予測する4つの現代RLアルゴリズムの性能を比較した。
次に、SHAP (SHapley Additive exPlanations) を適用し、モデル内の各アルゴリズムによる決定について説明する。
当社のアプローチは、解釈可能性と説明可能性を組み合わせることで、AD進行に影響を及ぼす重要な要因についての洞察を与え、グローバルおよび個人レベルの患者レベルの分析を提供する。
以上の結果より,RL法は病状進行を良好にモデル化できるが,全ての方法がアミロイド蓄積の重要性を適切に把握できないことが示唆された。
我々の研究は、予測精度と透明性を融合し、臨床医や研究者が情報医療決定のための疾患進行モデリングを強化することを支援することを目的としている。
コードはhttps://github.com/rfali/xrlad.comで入手できる。
関連論文リスト
- Intelligent Diagnosis of Alzheimer's Disease Based on Machine Learning [24.467566885575998]
この研究は、アルツハイマー病神経画像イニシアチブ(ADNI)データセットに基づいている。
アルツハイマー病(AD)の早期発見と進行の解明を目的とする。
論文 参考訳（メタデータ） (2024-02-13T15:43:30Z) - DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳（メタデータ） (2023-12-02T22:57:25Z) - Understanding, Predicting and Better Resolving Q-Value Divergence in
Offline-RL [86.0987896274354]
まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。
そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。
われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
論文 参考訳（メタデータ） (2023-10-06T17:57:44Z) - A Quantitatively Interpretable Model for Alzheimer's Disease Prediction
Using Deep Counterfactuals [9.063447605302219]
われわれのフレームワークは脳の各領域に対してAD関連指数'を生成する。
アルツハイマー病(AD)の進行に関して、個々の患者や患者グループに対する直感的な脳状態の理解を提供する。
論文 参考訳（メタデータ） (2023-10-05T10:55:10Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - An Empirical Comparison of Explainable Artificial Intelligence Methods
for Clinical Data: A Case Study on Traumatic Brain Injury [8.913544654492696]
外傷性脳損傷の短期および長期予後予測モデルを構築した。
6つの異なる解釈手法が局所的および大域的レベルの予測モデルの両方を記述するために用いられた。
実装された手法は, 可視性, 忠実性, 安定性など, XAI の特徴の観点から比較した。
論文 参考訳（メタデータ） (2022-08-13T19:44:00Z) - Reinforcement Learning based Disease Progression Model for Alzheimer's
Disease [3.1224202646855894]
我々は、微分方程式(DE)と強化学習(RL)をドメイン知識と組み合わせて、アルツハイマー病(AD)の進行をモデル化する。
我々は、DES(シミュレーター)と訓練されたRLエージェントからなるモデルを用いて、個別化された10年間のAD進行を予測する。
我々のフレームワークは、AD進行をモデル化するためのDESとRLを組み合わせており、他の神経疾患の理解に広く適用可能である。
論文 参考訳（メタデータ） (2021-06-30T16:32:12Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - Explainability in Deep Reinforcement Learning [68.8204255655161]
説明可能な強化学習(XRL)の実現に向けての最近の成果を概観する。
エージェントの振る舞いを正当化し、説明することが不可欠である重要な状況において、RLモデルのより良い説明可能性と解釈性は、まだブラックボックスと見なされているものの内部動作に関する科学的洞察を得るのに役立つ。
論文 参考訳（メタデータ） (2020-08-15T10:11:42Z) - Application of Machine Learning to Predict the Risk of Alzheimer's
Disease: An Accurate and Practical Solution for Early Diagnostics [1.1470070927586016]
アルツハイマー病(AD)は500万人以上のアメリカ人の認知能力を悪化させ、医療システムに多大な負担をかけている。
本稿では,医療画像のない,臨床訪問や検査の少ないAD開発のための機械学習予測モデルを提案する。
本モデルは,2つの顕著な研究結果から,人口統計,バイオマーカー,認知テストデータを用いて訓練し,検証した。
論文 参考訳（メタデータ） (2020-06-02T14:52:51Z) - Value-driven Hindsight Modelling [68.658900923595]
値推定は強化学習(RL)パラダイムの重要な構成要素である。
モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。
この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。
これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
論文 参考訳（メタデータ） (2020-02-19T18:10:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。