DOI: https://doi.org/10.3389/fbioe.2025.1688586
PMID: https://pubmed.ncbi.nlm.nih.gov/41767247
تاريخ النشر: 2026-02-12
المؤلف: Zheng Yang وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي القابل للتفسير (XAI)
نظرة عامة
تقدم هذه البحث إطار عمل للتعلم العميق القابل للتفسير يهدف إلى تحويل ديناميات الإشارات الحيوية المعقدة إلى تقييمات صحية قابلة للتفسير، مركزًا حول شبكة استنتاج PhysioGraph (PGIN). تدمج PGIN بين التفكير في الرسوم البيانية الزمنية والنمذجة الاحتمالية لالتقاط الاعتماديات الديناميكية بين المستشعرات بشكل فعال مع الالتزام بالمعايير الفسيولوجية. لتعزيز التكيف، يتضمن الإطار آلية استنتاج حالة الصحة التكيفية (AHSIM) التي تعدل دقة التشخيص بناءً على عدم اليقين وانتروبيا الإشارة.
تظهر التقييمات عبر أربعة مجموعات بيانات لاستشعار الحيوية أن الإطار المقترح يحقق دقة تشخيص تصل إلى 92.48% ومنطقة تحت المنحنى (AUC) تصل إلى 93.65%، متجاوزًا العديد من النماذج المعتمدة على المحولات، بما في ذلك RoBERTa و T5. ومن الجدير بالذكر أن النموذج يوفر تقديرات عدم اليقين الشفافة، مما يجعله مناسبًا للتطبيقات السريرية والقابلة للارتداء. من خلال دمج الدلالات الفسيولوجية مع قابلية تفسير النموذج، يعالج هذا الإطار التحديات المرتبطة بالذكاء الاصطناعي غير الشفاف في السياقات الطبية الحيوية. ومع ذلك، توجد قيود، مثل عدم كفاية التجريدات الرمزية في التقاط الفروق الدقيقة للحالات الفسيولوجية غير المعتادة. ستركز الأبحاث المستقبلية على دمج الرسوم البيانية المعرفية الفسيولوجية المنظمة، وتعزيز كفاءة النشر، وإجراء دراسات تشمل البشر لتقييم الفائدة السريرية في البيئات الواقعية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الحاجة المتزايدة لتقنيات استشعار حيوية دقيقة وقابلة للتفسير في تشخيص الصحة والمراقبة الطبية الحيوية. بينما يمكن لأجهزة الاستشعار الحيوية التقاط إشارات فسيولوجية معقدة بشكل فعال، تكمن التحديات في تفسير هذه البيانات بطريقة دقيقة ومفهومة لكل من المتخصصين في الرعاية الصحية والمرضى على حد سواء. قدمت طرق التحليل التقليدية، مثل الأنظمة القائمة على القواعد والنماذج الإحصائية، مستوى معينًا من القابلية للتفسير ولكنها غالبًا ما تكافح مع البيانات المزعجة وتفتقر إلى المرونة عبر مجموعات المرضى المتنوعة. لقد حسنت ظهور التعلم العميق الأداء في تفسير الإشارات الحيوية؛ ومع ذلك، تعمل هذه النماذج عادةً كـ “صناديق سوداء”، مما يجعل عمليات اتخاذ القرار الخاصة بها صعبة التفسير ويحد من قابليتها السريرية.
تحدد الورقة الفجوات الحرجة في الأطر الحالية، لا سيما الحاجة إلى نماذج توازن بين الدقة التنبؤية والقابلية للتفسير وقياس عدم اليقين. غالبًا ما تعتمد الأساليب الحالية على مجموعات بيانات كبيرة مصنفة وميزات مصنوعة يدويًا، مما يمكن أن يعيق القابلية للتعميم ويفشل في حساب الطبيعة الديناميكية لإشارات الاستشعار الحيوية. لمعالجة هذه القيود، يقترح المؤلفون إطار عمل تشخيصي جديد قائم على الرسوم البيانية، مدركًا لعدم اليقين، ومستنيرًا فسيولوجيًا. يهدف هذا الإطار إلى تنسيق نقاط القوة في التعلم العميق مع الشفافية اللازمة للسياقات السريرية، باستخدام تقنيات تفسير غير مرتبطة بالنموذج لضمان أن تكون التنبؤات في سياقها ومبررة. تم تصميم الحل المقترح للتحليل في الوقت الفعلي والتكامل في الأجهزة القابلة للارتداء، مما يعزز في النهاية مجال الذكاء الصحي القابل للتفسير عبر تطبيقات طبية حيوية متنوعة.
طرق
في هذا القسم، يوضح المؤلفون الطرق التجريبية المستخدمة لتقييم نموذجهم المقترح لتحليل الإشارات الحيوية. تم إجراء جميع التجارب باستخدام PyTorch على وحدات معالجة الرسوميات NVIDIA A100، مع بنية معيارية تضمن إمكانية التكرار. شمل المعالجة المسبقة إعادة أخذ عينات الإشارات إلى 100 هرتز، وتطبيعها عبر تطبيع z-score، وتطبيق تقنية النافذة المنزلقة لإنشاء عينات إدخال ثابتة الطول. تم استخدام طرق تعزيز الإشارة المختلفة، مثل حقن الضوضاء الغاوسية والتشويه الزمني، خلال التدريب لتعزيز تعميم النموذج. تعتمد بنية النموذج على ResNet-18، وتدمج أربعة كتل متبقية، وتطبيع الدفعات، وتفعيل ReLU، بالإضافة إلى وحدة انتباه الوضعية لدمج متعدد الأوضاع. بالنسبة لمهام مستوى التسلسل، تمت إضافة طبقة Bi-LSTM لالتقاط الاعتماديات الزمنية.
تمت مقارنة أداء الطريقة المقترحة مع عدة نماذج متقدمة (SOTA)، بما في ذلك BERT و T5، عبر مجموعات بيانات استشعار حيوية متعددة. أظهرت النتائج أن النموذج المقترح تفوق على جميع طرق SOTA، محققًا دقة تصل إلى 92.48% و 91.88% على مجموعتين من البيانات، مع تحسينات كبيرة في درجة F1، والاسترجاع، و AUC. ينسب المؤلفون هذه المكاسب إلى قدرة النموذج على التقاط الاعتماديات الزمنية ومتعددة الأوضاع بشكل فعال، وهو ما تكافح معه النماذج التقليدية المعتمدة على المحولات في سياق الإشارات الطبية الحيوية المستمرة. يعزز دمج آلية انتباه الوضعية وطبقات النمذجة التسلسلية، مثل Bi-LSTM، من قوة النموذج ومرونته تجاه تعقيدات بيانات الإشارات الحيوية. بشكل عام، تؤكد النتائج على أهمية الهياكل المخصصة لتحليل الإشارات الحيوية، مما يبرز إمكانيات النموذج لتطبيقات الرعاية الصحية في العالم الحقيقي.
نقاش
يسلط قسم النقاش في الورقة البحثية الضوء على التقدم في تقنيات التعلم العميق القابل للتفسير المطبقة على تفسير الاستشعار الحيوي، مؤكدًا دورها في تعزيز الشفافية والموثوقية في تحليل الإشارات الطبية الحيوية. تم استخدام طرق متنوعة، مثل آليات الانتباه، وخرائط الأهمية المعتمدة على التدرجات، والتفسيرات غير المرتبطة بالنموذج، لتسهيل تحديد الميزات الحرجة في بيانات الاستشعار الحيوي. تسمح الهياكل المعتمدة على الانتباه للخبراء في المجال بالتحقق من التوقيعات الكيميائية الحيوية، بينما تساعد تقنيات تصور التدرج في تتبع تأثيرات اضطرابات المستشعر على المخرجات التشخيصية. ومع ذلك، لا تزال التحديات قائمة مع زيادة أبعاد البيانات، مما يتطلب تطوير نماذج بديلة خفيفة الوزن وقوالب تفسيرات مسبقة الحساب للحفاظ على القابلية للتفسير في التطبيقات في الوقت الفعلي. يعزز دمج أنظمة الإنسان في الحلقة والأطر الهجينة التي تجمع بين النماذج الرمزية والمكونات المتعلمة من قوة وملاءمة هذه الأساليب السريرية.
يناقش القسم أيضًا تطور الهياكل التشخيصية العميقة في الوقت الفعلي، مدفوعة بالحاجة إلى أداء منخفض الكمون في تشخيص الصحة. تم تطوير شبكات عصبية خفيفة الوزن وهجينة من LSTM التلافيفية لمعالجة تدفقات الإشارات الحيوية بكفاءة، بينما تعمل مصنفات الخروج المبكر وتقنيات ضغط البيانات على تحسين سرعة الاستدلال. يضمن تنفيذ أنظمة هجينة من الحافة والسحابة والشبكات العصبية الكمية تدفقًا مستمرًا وزمن استجابة منخفض، خاصة في السيناريوهات الحرجة مثل اكتشاف عدم انتظام ضربات القلب. أدى تقاطع القابلية للتفسير والاستشعار في الوقت الفعلي إلى أطر تنتج تصنيفات سريعة جنبًا إلى جنب مع خرائط أهمية قابلة للتفسير، مما يعزز ثقة الأطباء ودقة التشخيص. تؤكد الدراسات الحديثة على أهمية دمج الأطر الرياضية الرسمية واستراتيجيات النمذجة الهجينة لتحسين قوة القابلية للتفسير في تشخيصات الصحة الآلية، مما يسهم في النهاية في تطوير أطر تشخيصية من الجيل التالي تكون قابلة للتنفيذ وموثوقة.
DOI: https://doi.org/10.3389/fbioe.2025.1688586
PMID: https://pubmed.ncbi.nlm.nih.gov/41767247
Publication Date: 2026-02-12
Author(s): Zheng Yang et al.
Primary Topic: Explainable Artificial Intelligence (XAI)
Overview
This research presents an explainable deep learning framework aimed at transforming complex biosignal dynamics into interpretable health assessments, centered around the PhysioGraph Inference Network (PGIN). The PGIN integrates temporal graph reasoning with probabilistic modeling to effectively capture dynamic inter-sensor dependencies while adhering to physiological priors. To enhance adaptability, the framework incorporates an Adaptive Health State Inference Mechanism (AHSIM) that adjusts diagnostic granularity based on uncertainty and signal entropy.
Evaluations across four biosensing datasets demonstrate that the proposed framework achieves diagnostic accuracy of up to 92.48% and an area under the curve (AUC) of up to 93.65%, surpassing several transformer-based models, including RoBERTa and T5. Notably, the model provides transparent uncertainty estimates, making it suitable for clinical and wearable applications. By merging physiological semantics with model interpretability, this framework addresses the challenges associated with black-box AI in biomedical contexts. However, limitations exist, such as the potential inadequacy of symbolic abstractions in capturing nuances of atypical physiological conditions. Future research will focus on integrating structured physiological knowledge graphs, enhancing deployment efficiency, and conducting human-in-the-loop studies to evaluate clinical utility in real-world settings.
Introduction
The introduction of this research paper highlights the growing need for accurate and interpretable biosensing technologies in health diagnostics and biomedical monitoring. While biosensors can effectively capture complex physiological signals, the challenge lies in interpreting this data in a way that is both precise and understandable for healthcare professionals and patients alike. Traditional analysis methods, such as rule-based systems and statistical models, have provided some level of interpretability but often struggle with noisy data and lack flexibility across diverse patient populations. The emergence of deep learning has improved performance in biosignal interpretation; however, these models typically operate as “black boxes,” making their decision-making processes difficult to interpret and limiting their clinical applicability.
The paper identifies critical gaps in existing frameworks, particularly the need for models that balance predictive accuracy with interpretability and uncertainty quantification. Current approaches often rely on large labeled datasets and handcrafted features, which can hinder generalizability and fail to account for the dynamic nature of biosensing signals. To address these limitations, the authors propose a novel graph-based, uncertainty-aware, and physiologically informed diagnostic framework. This framework aims to harmonize the strengths of deep learning with the necessary transparency for clinical contexts, utilizing model-agnostic interpretability techniques to ensure that predictions are contextualized and justifiable. The proposed solution is designed for real-time analysis and integration into wearable devices, ultimately advancing the field of interpretable health intelligence across various biomedical applications.
Methods
In this section, the authors detail the experimental methods employed to evaluate their proposed model for biosignal analysis. All experiments were conducted using PyTorch on NVIDIA A100 GPUs, with a modular architecture ensuring reproducibility. The preprocessing involved resampling signals to 100 Hz, normalizing them via z-score normalization, and applying a sliding window technique to create fixed-length input samples. Various signal augmentation methods, such as Gaussian noise injection and temporal warping, were utilized during training to enhance model generalization. The model architecture is based on ResNet-18, incorporating four residual blocks, batch normalization, and ReLU activation, along with a modality attention module for multi-modal fusion. For sequence-level tasks, a Bi-LSTM layer was added to capture temporal dependencies.
The performance of the proposed method was compared against several state-of-the-art (SOTA) models, including BERT and T5, across multiple biosensing datasets. The results demonstrated that the proposed model outperformed all SOTA methods, achieving accuracies of 92.48% and 91.88% on two datasets, with significant improvements in F1 score, recall, and AUC. The authors attribute these gains to the model’s ability to effectively capture temporal and multimodal dependencies, which traditional transformer-based models struggle with in the context of continuous biomedical signals. The incorporation of a modality attention mechanism and sequential modeling layers, such as Bi-LSTM, further enhances the model’s robustness and adaptability to the complexities of biosignal data. Overall, the findings underscore the importance of tailored architectures for biosignal analysis, highlighting the model’s potential for real-world healthcare applications.
Discussion
The discussion section of the research paper highlights the advancements in explainable deep learning techniques applied to biosensing interpretation, emphasizing their role in enhancing the transparency and reliability of biomedical signal analysis. Various methods, such as attention mechanisms, gradient-based saliency maps, and model-agnostic explanations, have been employed to facilitate the identification of critical features in biosensing data. Attention-based architectures allow domain experts to validate biochemical signatures, while gradient visualization techniques help trace sensor perturbations’ effects on diagnostic outputs. However, challenges persist with increasing data dimensionality, necessitating the development of lightweight surrogate models and precomputed explanation templates to maintain interpretability in real-time applications. The integration of human-in-the-loop systems and hybrid frameworks combining symbolic models with learned components further enhances the robustness and clinical applicability of these approaches.
The section also discusses the evolution of real-time deep diagnostic architectures, driven by the need for low-latency performance in health diagnostics. Lightweight neural networks and convolutional-LSTM hybrids have been developed to efficiently process biosignal streams, while early-exit classifiers and data compression techniques optimize inference speed. The implementation of edge-cloud hybrid systems and quantized neural networks ensures continuous throughput and minimal latency, particularly in critical scenarios like arrhythmia detection. The intersection of interpretability and real-time sensing has led to frameworks that produce rapid classifications alongside interpretable importance maps, enhancing clinician trust and diagnostic accuracy. Recent studies emphasize the importance of integrating formal mathematical frameworks and hybrid modeling strategies to improve the robustness and interpretability of automated health diagnostics, ultimately contributing to the development of next-generation diagnostic frameworks that are both actionable and trustworthy.