In many medical subfields, there is a call for greater interpretability in the machine learning systems used for clinical work. In this paper, we design an interpretable deep learning model to predict the presence of 6 types of brainwave patterns (Seizure, LPD, GPD, LRDA, GRDA, other) commonly encountered in ICU EEG monitoring. Each prediction is accompanied by a high-quality explanation delivered with the assistance of a specialized user interface. This novel model architecture learns a set of prototypical examples (``prototypes'') and makes decisions by comparing a new EEG segment to these prototypes. These prototypes are either single-class (affiliated with only one class) or dual-class (affiliated with two classes). We present three main ways of interpreting the model: 1) Using global-structure preserving methods, we map the 1275-dimensional cEEG latent features to a 2D space to visualize the ictal-interictal-injury continuum and gain insight into its high-dimensional structure. 2) Predictions are made using case-based reasoning, inherently providing explanations of the form ``this EEG looks like that EEG.'' 3) We map the model decisions to a 2D space, allowing a user to see how the current sample prediction compares to the distribution of predictions made by the model. Our model performs better than the corresponding uninterpretable (black box) model with $p<0.01$ for discriminatory performance metrics AUROC (area under the receiver operating characteristic curve) and AUPRC (area under the precision-recall curve), as well as for task-specific interpretability metrics. We provide videos of the user interface exploring the 2D embedded space, providing the first global overview of the structure of ictal-interictal-injury continuum brainwave patterns. Our interpretable model and specialized user interface can act as a reference for practitioners who work with cEEG patterns.


翻译:在许多医疗领域中,要求临床工作中使用的机器学习系统更容易被理解。本文中,我们设计了一个可解释的深度学习模型来预测 ICU 脑电监测中常见的 6 种脑波模式(癫痫、LPD、GPD、LRDA、GRDA、other)是否存在,并借助用户界面提供高质量的解释。这种新型模型体系结构通过学习一组样本原型(“原型”)进行决策,并通过将新的 EEG 段与这些原型进行比较来实现。这些原型要么是单类(仅与一个类相关联),要么是双类(与两个类相关联)。我们提供了三种主要的解释模型的方法:1)使用全局结构保持方法,将 1275 维的 cEEG 潜在特征映射到 2D 空间中,以可视化癫痫-间歇性-损伤连续电势的连续谱,并深入了解其高维结构。2)利用基于案例的推理进行预测,从根本上提供形式为“这个 EEG 看起来像那个 EEG”的解释。3)我们将模型决策映射到 2D 空间中,允许用户看到当前样品预测与模型所做预测分布的比较。我们的模型在识别性能指标 AUROC(接收器操作特征曲线下的面积)和 AUPRC(精确率-召回率曲线下的面积)以及任务特定的可解释性指标方面表现优于相应的不可解释(黑盒)模型,具有 $p<0.01$的统计学意义。我们提供了使用 2D 嵌入空间探索用户界面的视频,提供了癫痫-间歇性-损伤连续电位脑电图模式结构的第一个全局概述。我们的可解释的模型和专用用户界面可以作为与 cEEG 模式工作的从业者的参考。

0
下载
关闭预览

相关内容

ACM/IEEE第23届模型驱动工程语言和系统国际会议,是模型驱动软件和系统工程的首要会议系列,由ACM-SIGSOFT和IEEE-TCSE支持组织。自1998年以来,模型涵盖了建模的各个方面,从语言和方法到工具和应用程序。模特的参加者来自不同的背景,包括研究人员、学者、工程师和工业专业人士。MODELS 2019是一个论坛,参与者可以围绕建模和模型驱动的软件和系统交流前沿研究成果和创新实践经验。今年的版本将为建模社区提供进一步推进建模基础的机会,并在网络物理系统、嵌入式系统、社会技术系统、云计算、大数据、机器学习、安全、开源等新兴领域提出建模的创新应用以及可持续性。 官网链接:http://www.modelsconference.org/
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
Multi-Task Learning的几篇综述文章
深度学习自然语言处理
15+阅读 · 2020年6月15日
【泡泡一分钟】通过学习轮式里程计和IMU误差的定位
泡泡机器人SLAM
133+阅读 · 2019年9月12日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
笔记 | Deep active learning for named entity recognition
黑龙江大学自然语言处理实验室
24+阅读 · 2018年5月27日
Reinforcement Learning: An Introduction 2018第二版 500页
CreateAMind
11+阅读 · 2018年4月27日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
12+阅读 · 2020年8月3日
Arxiv
19+阅读 · 2018年10月25日
VIP会员
相关VIP内容
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
相关资讯
Multi-Task Learning的几篇综述文章
深度学习自然语言处理
15+阅读 · 2020年6月15日
【泡泡一分钟】通过学习轮式里程计和IMU误差的定位
泡泡机器人SLAM
133+阅读 · 2019年9月12日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
笔记 | Deep active learning for named entity recognition
黑龙江大学自然语言处理实验室
24+阅读 · 2018年5月27日
Reinforcement Learning: An Introduction 2018第二版 500页
CreateAMind
11+阅读 · 2018年4月27日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员