研究人员开发了一个多阶段可解释性框架,以使用于语音认知障碍检测的基于Transformer的模型在临床使用中更具可解释性。该框架集成了基于SHAP的token归因和语言特征,并使用LLaMA-3.1-70B-Instruct构建了一个LLM推理管道。该系统基于SpeechCARE-Adaptive Gating Network构建,在NIA PREPARE基准测试上达到了72.11%的F1分数,并通过82/100的系统可用性量表分数证明了其在临床工作流程集成方面的高潜力。 AI
影响 增强了医疗保健领域AI模型的可解释性,可能导致AI在认知障碍检测中的临床应用更广泛。
排序理由 该集群包含一篇详细介绍新框架和方法的学术论文。
- arXiv
- Hugging Face
- Llama-3.1-70B-Instruct
- NIA PREPARE
- Shap
- Shapley Additive Explanations
- SpeechCARE-Adaptive Gating Network
- System usability scale
AI 生成摘要 · Google Gemini · 来自 4 个来源。 我们如何撰写摘要 →