综述：可解释人工智能在利用表格数据预测和诊断神经认知障碍中的应用：一项系统评价

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Application of Explainable Artificial Intelligence for Predicting and Diagnosing Neurocognitive Disorders Using Tabular Data: A Systematic Review

系统综述27项研究（2015-2025），探讨XAI在表格临床数据中神经认知疾病（AD、帕金森等）的诊断、预后等应用，树模型（如XGBoost）与SHAP为主，存在数据规模、评估标准等问题，未来需整合多模态数据并嵌入临床决策系统。

　　

摘要

机器学习（ML）在神经认知研究中的广泛应用受到许多预测模型“黑箱”性质的限制，这降低了人们对这些模型的信任度、可解释性以及其在临床应用中的价值。为了解决这一问题，人们正在开发可解释人工智能（XAI）方法，以提供对算法决策的模型通用型和模型特定型解释。虽然之前的研究主要集中在图像和文本数据上，但将XAI应用于表格化和数值化的临床数据集仍相对较少。本系统综述汇总了27项经过同行评审的研究（2015–2025年）的证据，这些研究使用XAI处理了与神经认知障碍相关的表格化和数值化数据，包括阿尔茨海默病（AD）、帕金森病、注意力缺陷/多动障碍（ADHD）、自闭症谱系障碍（ASD）和中风，以及具有重叠认知或神经特征的相关精神疾病，如抑郁症和焦虑症。分析结果显示，基于树的集成模型（如随机森林和XGBoost）在预测建模中占据主导地位，通常与Shapley加性解释（SHAP）结合使用来衡量特征的重要性。局部可解释模型无关解释（LIME）方法、基于规则的模型和替代学习框架也被使用，但频率较低。在诊断、预后、分类和共病分析等任务中，XAI提高了透明度，提供了特征层面的洞察，并对生物标志物进行了具有临床意义的解释。然而，仍然存在方法学和转化方面的挑战，例如数据集规模有限、样本不平衡、缺乏标准化的解释质量评估方法以及外部验证不足。未来的研究方向包括开发解释的真实性指标、整合多模态和纵向数据集、探索平衡准确性和可解释性的混合流程，以及将XAI嵌入面向临床医生的决策支持系统中。通过关注多种疾病的表格化临床数据，本综述补充了之前以图像数据为中心的研究。它强调了XAI在创建可信、可泛化且符合临床需求的机器学习解决方案中的关键作用。