An Explainable AI Framework for Artificial Intelligence of Medical Things

医疗保健行业已经被医疗物联网人工智能（AIoMT）的融合所革命化，使得先进的数据驱动解决方案可以改善医疗保健系统。随着人工智能（AI）模型的日益复杂，特别是在医疗领域，透明和可解释的决策变得至关重要，因此，本文中我们利用了定制的XAI框架，包括局部可解释的模型无关解释（LIME），Shapley加性解释（SHAP）和梯度加权类激活映射（Grad-CAM）等技术，专门为AIoMT领域设计。所提出的框架增强了战略性医疗方法的有效性，并旨在在AI驱动的医疗应用中建立信任和促进理解。此外，我们利用多数投票技术，聚合来自多个卷积神经网络（CNN）的预测，并利用它们的集体智能在医疗系统中做出强大而准确的决策。基于这个决策过程，我们将XAI框架应用于作为使用案例的脑肿瘤检测，展示了准确和透明的诊断。评估结果突出了XAI框架的卓越性能，实现了高精度、召回率和F1分数，训练准确率达到99%，验证准确率达到98%。将先进的XAI技术与基于集成的深度学习（DL）方法相结合，可以作为AIoMT的应用，实现精确可靠的脑肿瘤诊断。

本论文旨在解决医疗领域中人工智能模型的可解释性问题，并利用多个卷积神经网络的集成来进行更加准确的医疗诊断，以脑肿瘤检测为例进行验证。

本论文提出了一个专门针对人工智能医疗领域的可解释性框架，结合了LIME、SHAP和Grad-Cam等技术，同时利用多个卷积神经网络的集成来进行更加准确的医疗诊断。

论文使用了多个数据集，并通过多个评估指标来验证模型的性能，同时提供了开源代码以供参考。本文的可解释性框架在人工智能医疗领域具有很大的应用潜力。

最近的相关研究包括：“Explainable Artificial Intelligence (XAI) in Healthcare: Past, Present, and Future”和“Explainable Artificial Intelligence (XAI) for Precision Medicine in Neurodegenerative Diseases”。