Interpretable machine learning for precision cognitive aging
Notice bibliographique
Résumé
Introduction: Machine performance has surpassed human capabilities in various tasks, yet the opacity of complex models limits their adoption in critical fields such as healthcare. Explainable AI (XAI) has emerged to address this by enhancing transparency and trust in AI decision-making. However, a persistent gap exists between interpretability and performance, as black-box models, such as deep neural networks, often outperform white-box models, such as regression-based approaches. To bridge this gap, the Explainable Boosting Machine (EBM), a class of generalized additive models has been introduced, combining the strengths of interpretable and high-performing models. EBM may be particularly well-suited for cognitive health research, where traditional models struggle to capture nonlinear effects in cognitive aging and account for inter- and intra-individual variability. Methods: This cross-sectional study applies EBM to investigate the relationship between demographic, environmental, and lifestyle factors, and cognitive performance in a sample of 3,482 healthy older adults. The EBM's performance is compared against Logistic Regression, Support Vector Machines, Random Forests, Multilayer Perceptron, and Extreme Gradient Boosting, evaluating predictive accuracy and interpretability. Results: The findings reveal that EBM provides valuable insights into cognitive aging, surpassing traditional models while maintaining competitive accuracy with more complex machine learning approaches. Notably, EBM highlights variations in how lifestyle activities impact cognitive performance, particularly differences between engaging in and refraining from specific activities, challenging regression-based assumptions. Moreover, our results show that the effects of lifestyle factors are heterogeneous across cognitive groups, with some individuals demonstrating significant cognitive changes while others remain resilient to these influences. Discussion: These findings highlight EBM's potential in cognitive aging research, offering both interpretability and accuracy to inform personalized strategies for mitigating cognitive decline. By bridging the gap between explainability and performance, this study advances the use of XAI in healthcare and cognitive aging research.
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 | 0,006 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».