Интерпретируемые графовые модели для интеграции мультиформатных биомедицинских данных: технический обзор и сравнение

Интеграция разнообразных биомедицинских модальностей необходима для получения надежных клинических инсайтов, и графовые модели все чаще используются для описания сложных реляционных структур. Тем не менее их клиническая трансляция зависит от интерпретируемости. В этом обзоре рассматриваются интерпретируемые графовые модели, применяемые к интеграции мультиформатных биомедицинских данных, с выделением доминирующих направлений в классификации заболеваний, построении статических графов и постфактум-объяснении. Мы классифицируем методы объяснимого искусственного интеллекта (XAI), проводим бенчмаркинг SHAP, saliency, sensitivity и графового маскирования на данных по болезни Альцгеймера и выявляем их дополнительные сильные стороны. Предложенная блок-схема разработки и обсуждение перспектив, таких как динамические графы, интеграция знаний и объяснимость на основе больших языковых моделей, позиционируют эту работу как ключевую ссылку для надежного биомедицинского ИИ.