XAI for In-hospital Mortality Prediction via Multimodal ICU Data

要約

集中治療室 (ICU) 患者の院内死亡率を予測することは、最終的な臨床転帰の鍵となります。
AI は優れた精度を示していますが、説明可能性の欠如に悩まされています。
この問題に対処するために、この論文では、マルチモーダル ICU データを介して院内死亡率を予測するための効率的で説明可能な AI ソリューションにアプローチする、eXplainable Multimodal Mortality Predictor (X-MMP) を提案します。
私たちのフレームワークではマルチモーダル学習を採用しており、臨床データから異種混合の入力を受け取り、意思決定を行うことができます。
さらに、トランスフォーマーへの LRP メソッドの適切な拡張として、説明可能なメソッド、つまりトランスフォーマーへのレイヤーワイズ伝播を導入し、マルチモーダル入力に対する説明を生成し、予測に起因する顕著な特徴を明らかにします。
さらに、臨床結果に対する各モダリティの寄与を視覚化できるため、臨床医が意思決定の背後にある理由を理解するのに役立ちます。
MIMIC-III および MIMIC-III 波形データベース一致サブセットに基づいてマルチモーダル データセットを構築します。
ベンチマーク データセットの包括的な実験により、私たちが提案したフレームワークが競合する予測精度を備えた合理的な解釈を達成できることが実証されました。
特に、私たちのフレームワークは他の臨床タスクに簡単に移行できるため、医療研究における重要な要素の発見が容易になります。

要約(オリジナル)

Predicting in-hospital mortality for intensive care unit (ICU) patients is key to final clinical outcomes. AI has shown advantaged accuracy but suffers from the lack of explainability. To address this issue, this paper proposes an eXplainable Multimodal Mortality Predictor (X-MMP) approaching an efficient, explainable AI solution for predicting in-hospital mortality via multimodal ICU data. We employ multimodal learning in our framework, which can receive heterogeneous inputs from clinical data and make decisions. Furthermore, we introduce an explainable method, namely Layer-Wise Propagation to Transformer, as a proper extension of the LRP method to Transformers, producing explanations over multimodal inputs and revealing the salient features attributed to prediction. Moreover, the contribution of each modality to clinical outcomes can be visualized, assisting clinicians in understanding the reasoning behind decision-making. We construct a multimodal dataset based on MIMIC-III and MIMIC-III Waveform Database Matched Subset. Comprehensive experiments on benchmark datasets demonstrate that our proposed framework can achieve reasonable interpretation with competitive prediction accuracy. In particular, our framework can be easily transferred to other clinical tasks, which facilitates the discovery of crucial factors in healthcare research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google