論文の概要: Enhancing SHAP Explainability for Diagnostic and Prognostic ML Models in Alzheimer Disease

• arxiv url: http://arxiv.org/abs/2603.06758v1
• Date: Fri, 06 Mar 2026 13:46:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:13.090016
• Title: Enhancing SHAP Explainability for Diagnostic and Prognostic ML Models in Alzheimer Disease
• Title（参考訳）: アルツハイマー病における診断および予後MLモデルのSHAP説明可能性の向上
• Authors: Pablo Guillén, Enrique Frias-Martinez,
• Abstract要約: 本稿では,説明の一貫性,安定度,一貫性を計測する多段階的説明可能性フレームワークを提案する。 診断と予後の両方において、認知マーカーと機能マーカーがSHAPの説明を支配している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Alzheimer disease (AD) diagnosis and prognosis increasingly rely on machine learning (ML) models. Although these models provide good results, clinical adoption is limited by the need for technical expertise and the lack of trustworthy and consistent model explanations. SHAP (SHapley Additive exPlanations) is com-monly used to interpret AD models, but existing studies tend to focus on explanations for isolated tasks, providing little evidence about their robustness across disease stages, model architectures, or prediction objectives. This paper proposes a multi-level explainability framework that measures the coherence, stabil-ity and consistency of explanations by integrating: (1) within-model coherence metrics between feature importance and SHAP, (2) SHAP stability across AD boundaries, and (3) SHAP cross-task consistency be-tween diagnosis and prognosis. Using AutoML to optimize classifiers on the NACC dataset, we trained four diagnostic and four prognostic models covering the standard AD progression stages. Stability was then evaluated using correlation metrics, top-k feature overlap, SHAP sign consistency, and domain-level contribution ratios. Results show that cognitive and functional markers dominate SHAP explanations in both diagnosis and prognosis. SHAP-SHAP consistency between diagnostic and prognostic models was high across all classifiers, with 100% sign stability and minimal shifts in explanatory magnitude. Domain-level contributions also remained stable, with only minimal increases in genetic features for prognosis. These results demonstrate that SHAP explanations can be quantitatively vali-dated for robustness and transferability, providing clinicians with more reliable interpretations of ML pre-dictions.
• Abstract（参考訳）: アルツハイマー病(AD)の診断と予後は機械学習(ML)モデルにますます依存している。 これらのモデルは良い結果をもたらすが、技術的専門知識の必要性と信頼性と一貫性のあるモデル説明の欠如により臨床応用は制限される。 SHAP (SHapley Additive exPlanations) はADモデルの解釈によく用いられるが、既存の研究は独立したタスクの説明に重点を置いており、病気のステージ、モデルアーキテクチャ、予測目標の堅牢性についてはほとんど証拠を提供していない。 本稿では,(1)特徴量とSHAP間のモデル内コヒーレンス指標,(2)AD境界間のSHAP安定性,(3)SHAP間の整合性診断と予後を統合することにより,説明の一貫性,安定性,一貫性を計測する多段階的説明可能性フレームワークを提案する。 NACCデータセットの分類を最適化するためにAutoMLを使用して、標準AD進行段階をカバーする4つの診断モデルと4つの予後モデルを訓練した。 次に、相関指標、トップk機能の重複、SHAP符号の整合性、ドメインレベルのコントリビューション比を用いて安定性を評価した。 以上の結果から,診断と予後の双方において,認知マーカーと機能マーカーがSHAP説明に支配的であることが明らかとなった。 診断モデルと予後モデル間のSHAP-SHAPの整合性は全分類群で高く,100%符号安定性と説明等級の最小シフトが認められた。 ドメインレベルの貢献も安定しており、予後の遺伝的特徴は最小限に留まった。 以上の結果から, SHAPによる説明は, 堅牢性と伝達性に対して定量的に検証できることが示唆された。

関連論文リスト

• An Explainable Ensemble Framework for Alzheimer's Disease Prediction Using Structured Clinical and Cognitive Data [0.0]
  本研究は、個人をアルツハイマー病または非アルツハイマー病と分類するために設計された説明可能なアンサンブル学習フレームワークを紹介する。 このフレームワークには厳格な前処理、高度な機能エンジニアリング、SMOTE-Tomekハイブリッドクラスバランシング、最適化されたモデリングが含まれている。
  論文  参考訳（メタデータ） (2026-02-26T19:12:35Z)
• MRC-GAT: A Meta-Relational Copula-Based Graph Attention Network for Interpretable Multimodal Alzheimer's Disease Diagnosis [2.2399170518036913]
  アルツハイマー病(英語: Alzheimer's disease, AD)は、早期かつ正確な診断を必要とする進行性神経変性疾患である。 近年の研究では、精度と信頼性を高めるためにコンピュータ支援診断モデルに注目が集まっている。 これらの制約を克服するために,AD分類タスクの効率的なマルチモーダルモデルとして,Meta-Relational Copula-Based Graph Attention Network (MRC-GAT)を提案する。
  論文  参考訳（メタデータ） (2026-02-17T17:15:32Z)
• MedAD-R1: Eliciting Consistent Reasoning in Interpretible Medical Anomaly Detection via Consistency-Reinforced Policy Optimization [46.65200216642429]
  我々はMedADの最初の大規模マルチモーダル・マルチセンタベンチマークであるMedAD-38Kを紹介し、構造化された視覚質問応答(VQA)ペアとともに、CoT(Chain-of-Thought)アノテーションを特徴付ける。 提案するモデルであるMedAD-R1は、MedAD-38Kベンチマーク上での最先端(SOTA)性能を実現し、強いベースラインを10%以上上回った。
  論文  参考訳（メタデータ） (2026-02-01T07:56:10Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• A Monosemantic Attribution Framework for Stable Interpretability in Clinical Neuroscience Large Language Models [9.694820939059339]
  解釈可能性は、アルツハイマー病の進行診断のような臨床環境において、大きな言語モデル(LLM)をデプロイする上で重要な課題である。 帰属的・機械的視点を統合した統合的解釈可能性フレームワークを導入する。
  論文  参考訳（メタデータ） (2026-01-25T19:03:04Z)
• Collaborative Attention and Consistent-Guided Fusion of MRI and PET for Alzheimer's Disease Diagnosis [12.33741976057116]
  アルツハイマー病(AD)は認知症の最も一般的な形態であり、早期診断は疾患進行の遅滞に不可欠である。 MRIとPETを用いたマルチモーダル・ニューロイメージング・フュージョンの最近の研究は有望な成果を得た。 本稿では,MRIとPETを用いたAD診断のための協調注意・持続誘導核融合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-04T03:42:07Z)
• Self-Explaining Hypergraph Neural Networks for Diagnosis Prediction [45.89562183034469]
  既存のディープラーニング診断予測モデルと本質的な解釈性は、過去の診断や病院訪問の度に注意重みを割り当てることが多い。 我々は、パーソナライズされた簡潔で忠実な説明を提供するように設計された、自己説明型ハイパーグラフニューラルネットワークモデルSHyを紹介する。 SHyは高次疾患の相互作用を捉え、パーソナライズされた説明として異なる時間的表現型を抽出する。
  論文  参考訳（メタデータ） (2025-02-15T06:33:02Z)
• Dynamic Classification of Latent Disease Progression with Auxiliary Surrogate Labels [4.997489272248076]
  進化する健康情報に基づく疾患進展予測は、真の疾患状態が不明な場合に困難である。 我々は,主観的ラベルを用いた適応的前方回帰アルゴリズムを開発した。 漸近特性が確立され, 有限試料による顕著な改善が示された。
  論文  参考訳（メタデータ） (2024-12-11T04:14:15Z)
• Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
  本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。 診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。 本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
  論文  参考訳（メタデータ） (2024-03-09T13:48:20Z)
• 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)

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。