Интерпретируемый ИИ для медицины: точность до 0.984 AUC на трёх наборах данных
Группа исследователей разработала новый интерпретируемый метод классификации медицинских данных. Работа опубликована на платформе arXiv и описывает фреймворк, основанный на модели наивного байесовского классификатора Бернулли (BNB). Основное преимущество подхода — полная прозрачность принимаемых решений.
Метод использует статистически обоснованную бинаризацию непрерывных переменных с помощью supervised ?2-теста. Это позволяет преобразовывать данные без потери интерпретируемости. Фреймворк оценили на трёх эталонных наборах данных: Pima Indians Diabetes (AUC 0,800), Wisconsin Breast Cancer (AUC 0,984) и Heart Failure Prediction (AUC 0,919).
Помимо высокой дискриминационной способности, авторы проверили вероятностную калибровку с помощью анализа Brier score, калибровочного интерцепта и наклона. Они применили пост-хок бета-калибровку, что улучшило точность вероятностных оценок.
Ключевая особенность модели — возможность воспроизвести вывод с помощью простой таблицы и базовой арифметики, без необходимости в специализированном ПО. Это делает метод доступным для клинического использования.
Исследователи отмечают, что такой подход может способствовать внедрению доверенного ИИ в реальную медицинскую практику. Работа демонстрирует, что интерпретируемые модели способны достигать точности, сопоставимой с более сложными «чёрными ящиками».
Дальнейшие шаги могут включать валидацию на более крупных клинических выборках и интеграцию в системы поддержки принятия врачебных решений. Метод особенно актуален для областей, где важна объяснимость, например, в онкологии и кардиологии.
