Explainable Artificial Intelligence in Alzheimer’s Disease Classification: A Systematic Review
Notice bibliographique
Résumé
Abstract Context: Artificial Intelligence (AI) in the medical domain has achieved remarkable results on various metrics primarily due to recent advancements in computational capabilities. However, AI models used for Computer Aided Diagnosis (CAD) have limited acceptance and trust due to their typical {Blackbox} nature. Consequently, explainable AI (XAI) is needed to justify the trustworthiness of the machine's predictions. Approach: In this work, we undertake a systematic review based on PRISMA guidelines on research articles investigating Alzheimer's Disease (AD) prediction with XAI for the past decade. The review was driven by carefully formulated research questions (RQ) which helped categorize AI models into different XAI methods(Post-hoc, Ante-hoc, Model-Agnostic, Model-Specific, etc) and frameworks (LIME, SHAP, GradCAM, LRP, etc.). Summary: This categorisation provides broad coverage of the interpretation spectrum from intrinsic (model-specific, ante-hoc models) to complex patterns (model-agnostic, post-hoc models) and by taking local explanations to a global scope. Additionally, the study categorizes merit in terms of different forms of interpretation to provide in-depth insight into the factors that support the clinical diagnosis of AD. Finally, limitations and open research challenges are outlined, and possible prospects are presented.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».