Interpretable deep learning framework for secure clinical data analytics

Mahmoud Ahmad Al-Khasawneh

doi:10.1038/s41598-026-62055-8

Interpretable deep learning framework for secure clinical data analytics

2026-07-22

0

OA

AI

M

Mahmoud Ahmad Al-Khasawneh

D

Deema Mohammed Alsekait

Abdulghani Bakur Alsayegh

DOI：10.1038/s41598-026-62055-8

原文链接

查看原文

摘要

En 中文

人工智能在医疗保健领域的日益应用促进了复杂的临床数据分析的出现，但最关键的问题涉及数据隐私、模型可解释性和模型可靠性。这些问题仍然对其现实应用构成挑战。本研究提出了一种用于安全临床数据分析的深度学习框架的解释。该框架结合了隐私保护分布式学习框架和自然可解释的模型结构。该建议的框架能够在多个医疗设施之间进行并行训练，而不会泄露原始患者信息，从而在不影响分析的情况下保持数据机密性。还提出了一种理念驱动的深度学习框架，以产生具有临床意义的中间表示，从而实现清晰、可解释的预测。此外，建立了一种新的解释稳定性机制，以在分布式环境中保持模型解释的一致性和可靠性。为促进临床安全，决策模块包含不确定性，使系统能够检测低置信度预测并将其转交给专家。使用实际临床数据对病情进行的广泛测试可以证明，所提出的框架在预测性、可解释性、解释稳定性、公平性和校准方面比其他方法更成功。此外，该框架表明，隐私保护、可解释性、解释可靠性和临床可用性可以在统一的学习架构内联合优化。结果表明，该建议的策略在提供安全、透明和可靠的临床决策支持方面是有效的，使其成为在当代医疗保健系统中实施的一种合适策略。

Interpretable deep learning framework for secure clinical data analytics

摘要

AI总结

期刊

机构

引用论文