医学中的整体人工智能：性能提升与可解释性增强

随着在医学领域部署人工智能的兴趣日益增加，我们之前介绍了HAIM（Holistic AI in Medicine），这是一个融合多模态数据以解决下游临床任务的框架。然而，HAIM以任务无关的方式使用数据，并且缺乏可解释性。为了解决这些局限性，我们引入了xHAIM（Explainable HAIM），这是一种新颖的框架，通过四个结构化的步骤利用生成式人工智能来增强预测和可解释性：(1) 自动识别跨模态的任务相关患者数据，(2) 生成全面的患者摘要，(3) 利用这些摘要进行改进的预测建模，(4) 通过将预测与特定患者的医学知识关联起来提供临床解释。在HAIM-MIMIC-MM数据集上评估的结果显示，xHAIM在胸部病理和手术任务中的平均AUC从79.9%提高到90.3%。重要的是，xHAIM将人工智能从一个黑箱预测器转变为一个可解释的决策支持系统，使临床医生能够交互式地追溯预测结果至相关的患者数据，从而将人工智能的发展与临床实用性结合起来。