Ανάπτυξη μεθοδολογιών Εξηγήσιμης Τεχνητής Νοημοσύνης για την ανάλυση δεδομένων ηλεκτροεγκεφαλογραφήματος

Abstract

Οι πρόσφατες εξελίξεις στον τομέα της εξηγήσιμης τεχνητής νοημοσύνης (XAI) έχουν αναδιαμορφώσει τον τρόπο αξιολόγησης και εφαρμογής των συστημάτων τεχνητής νοημοσύνης. Το επίκεντρο έχει μετατοπιστεί από τη μεγιστοποίηση της ακρίβειας και μόνο, στην εξασφάλιση διαφάνειας, ερμηνευσιμότητας και αξιοπιστίας — ιδιότητες που είναι απαραίτητες όταν η τεχνητή νοημοσύνη χρησιμοποιείται σε κρίσιμους τομείς, όπως η υγειονομική περίθαλψη. Σε κλινικά περιβάλλοντα, η ερμηνευσιμότητα αποτελεί προϋπόθεση για την υιοθέτηση των μοντέλων, καθώς οι επαγγελματίες του ιατρικού τομέα πρέπει να κατανοούν και να επικυρώνουν τη συλλογιστική τους. Τα διαφανή μοντέλα όχι μόνο ενισχύουν την εμπιστοσύνη των χρηστών, αλλά συμβάλλουν και στην επιστημονική ανακάλυψη, αποκαλύπτοντας σημαντικές σχέσεις μέσα σε πολύπλοκα βιοϊατρικά δεδομένα. Το ηλεκτροεγκεφαλογράφημα (EEG) έχει αναδειχθεί ως ένας σημαντικός τομέας εφαρμογής της XAI, λόγω της περίπλοκης και θορυβώδους φύσης των εγκεφαλικών σημάτων. Το EEG παρέχει ένα μη επεμβατικό και οικονομικά αποδοτικό μέσο παρακολούθησης της νευρικής δραστηριότητας. Ωστόσο, η ανάλυσή του παραμένει δύσκολη, εξαιτίας του χαμηλού λόγου σήματος προς θόρυβο, των μη στατικών ιδιοτήτων και της μεγάλης μεταβλητότητας μεταξύ ατόμων. Οι τεχνικές τεχνητής νοημοσύνης —ιδιαίτερα η μηχανική μάθηση και η βαθιά μάθηση— έχουν δείξει σημαντικές δυνατότητες στην εξαγωγή χρήσιμων πληροφοριών από τα δεδομένα EEG, για εργασίες όπως η ανίχνευση επιληπτικών κρίσεων, η αναγνώριση συναισθημάτων και η σταδιοποίηση του ύπνου. Ωστόσο, η αδιαφανής φύση αυτών των μοντέλων περιορίζει την κλινική τους χρησιμότητα, καθώς η λογική πίσω από τις προβλέψεις τους συχνά παραμένει ασαφής. Οι τεχνικές XAI συμβάλλουν στην αντιμετώπιση αυτού του ζητήματος, εντοπίζοντας σχετικά χαρακτηριστικά, οπτικοποιώντας τις διαδικασίες λήψης αποφάσεων και συνδέοντας την αλγοριθμική συλλογιστική με φυσιολογικούς μηχανισμούς. Η παρούσα διατριβή διερευνά τον τρόπο με τον οποίο η XAI μπορεί να βελτιώσει τόσο την κατανόηση όσο και την αξιοπιστία στην ανάλυση EEG. Συνδυάζει καθιερωμένες διαδικασίες προεπεξεργασίας και εξαγωγής χαρακτηριστικών με ερμηνεύσιμες μεθόδους μάθησης. Η μελέτη εφαρμόζει αυτές τις τεχνικές στην ανίχνευση επιληπτικών κρίσεων —μια κλινικά σημαντική και υπολογιστικά απαιτητική εργασία— χρησιμοποιώντας ένα μεγάλο σύνολο δεδομένων EEG ανοιχτής πρόσβασης. Πέρα από την αξιολόγηση της απόδοσης, η εργασία διερευνά τον τρόπο με τον οποίο μέθοδοι εξήγησης, όπως το SHAP και η συλλογιστική βάσει κανόνων, μπορούν να αποκαλύψουν την υποκείμενη δομή των αποφάσεων του μοντέλου και τη συσχέτισή τους με μοτίβα εγκεφαλικής δραστηριότητας. Τελικά, η εργασία αυτή στοχεύει να αποδείξει ότι η ερμηνευσιμότητα δεν αποτελεί απλώς ένα βοηθητικό χαρακτηριστικό, αλλά μια απαραίτητη προϋπόθεση για την εφαρμογή της τεχνητής νοημοσύνης στον ιατρικό τομέα. Ενσωματώνοντας τις αρχές της XAI τόσο στη διαδικασία μοντελοποίησης όσο και στην αξιολόγηση, η εργασία συμβάλλει στην ανάπτυξη διαφανών, ανθρωποκεντρικών συστημάτων τεχνητής νοημοσύνης, ικανών να υποστηρίξουν τη λήψη κλινικών αποφάσεων και να προωθήσουν την κατανόησή μας για τη λειτουργία του εγκεφάλου.