Объяснимый искусственный интеллект в классификации болезни Альцгеймера: систематический обзор

Беспрецедентный рост вычислительных возможностей в последние годы позволил разрабатывать модели искусственного интеллекта (ИИ) для медицинских приложений, демонстрирующие выдающиеся результаты. Однако многие методы автоматизированной диагностики (Computer-Aided Diagnosis, CAD), основанные на ИИ, имеют ограниченное признание и применение в медицине из-за типичной природы этих моделей как «черных ящиков». Поэтому для внедрения таких моделей медицинскими специалистами их прогнозы должны быть объяснимыми и интерпретируемыми. Развивающаяся область объяснимого искусственного интеллекта (XAI) направлена на обоснование надежности прогнозов этих моделей. В настоящей работе представлен систематический обзор литературы, посвященной выявлению болезни Альцгеймера (БА) с использованием XAI, опубликованной за последнее десятилетие. Были тщательно сформулированы исследовательские вопросы для классификации моделей ИИ в соответствии с различными концептуальными подходами (например, post hoc, ante hoc, модельно-независимыми, модельно-специфичными, глобальными и локальными) и фреймворками XAI (Local Interpretable Model-Agnostic Explanations, или LIME; SHapley Additive exPlanations, или SHAP; Gradient-weighted Class Activation Mapping, или Grad-CAM; Layer-wise Relevance Propagation, или LRP; и др.). Такая классификация охватывает широкий спектр интерпретируемости — от изначально интерпретируемых подходов (например, модельно-специфичных и ante hoc-моделей) до сложных закономерностей (например, модельно-независимых и post hoc-моделей), а также распространение локальных объяснений на глобальный уровень. Кроме того, обсуждаются различные формы интерпретации, обеспечивающие глубокое понимание факторов, лежащих в основе клинической диагностики БА. Наконец, рассматриваются ограничения, потребности и нерешенные проблемы исследований в области XAI, а также возможные перспективы использования этих методов для выявления БА.