Metody wyjaśnialnego uczenia maszynowego dla danych tabelarycznych z przykładami zastosowań w medycynie

Rozwój metod sztucznej inteligencji doprowadził do zbudowania zaawansowanych systemów zdolnych do analizy ogromnych zbiorów danych i podejmowania decyzji w wielu dziedzinach życia. Do szerokiego zastosowania sztucznej inteligencji przyczyniła się łatwość użycia, a także zwykle większa precyzja wyników niż tradycyjnych modeli statystycznych. Zauważono także możliwości wykorzystania sztucznej inteligencji w medycynie, co daje obiecujące perspektywy w poprawie diagnostyki, personalizacji leczenia i przyczynia się do postępu w opiece zdrowotnej. Jednak szczególnie w dziedzinie obarczonej dużym ryzykiem, należy zachować ostrożność w zastosowaniu metod sztucznej inteligencji. Istotnym aspektem modelowania stała się metodologia pomagająca w zrozumieniu modeli uczenia maszynowego nazwana wyjaśnialną sztuczną inteligencją. Celem tej pracy jest zbadanie czy użycie metod wyjaśnialnego uczenia maszynowego poprawia jakość wnioskowania na podstawie modelowania. Hipotezę badawczą popieram modelowaniem i eksperymentami na danych medycznych, sprawdzeniem czy zastosowanie wyjaśnialnej sztucznej inteligencji na różnych etapach procedury budowy modelu może wspomóc ten proces oraz zaproponowanym przeze mnie nowym algorytmem. Wkład w nauki medyczne stanowi zbudowanie modeli i zastosowanie wyjaśnialnej sztucznej inteligencji do rzeczywistych problemów medycznych, które są wykorzystywane w dużych ośrodkach medycznych w Polsce. Wkładem w uczenie maszynowe i wyjaśnialną sztuczną inteligencję jest nowa miara PDI służąca do porównania modeli na podstawie ich wyjaśnień oraz nowy algorytm Rashomon_DETECT służący do wyboru najbardziej różniących się modeli ze zbioru niemal optymalnych modeli. Zaproponowałam również nowe podejście do procesu budowy modeli oparte o wyjaśnialną sztuczną inteligencję i rozszerzenie do rozpatrywania zbioru modeli Rashomon. Rozprawa powstała podczas międzywydziałowych interdyscyplinarnych studiów doktoranckich matematyczno- przyrodniczych. Łączy wiedzę i metodologię z dwóch dziedzin: informatyki stosowanej i nauk medycznych. Interdyscyplinarność tej pracy polega na integracji metod z dziedziny informatyki z teoriami i wiedzą medyczną w celu analizy złożonych problemów medycznych.

The development of artificial intelligence methods has led to the construction of complex systems capable of analyzing huge data sets and making decisions in many areas of life. The widespread use of artificial intelligence has been fostered by its ease of use and usually greater precision of results compared to traditional statistical models. The potential for using artificial intelligence in medicine has also been noted, with promising prospects for improving diagnosis, personalizing treatment, and contributing to advances in healthcare. However, especially in high risk fields, artificial intelligence methods should be applied carefully. An important aspect of modeling is the methodology for helping to understand machine learning models, known as explainable artificial intelligence. The purpose of this work is to investigate whether the use of explainable machine learning methods improves the quality of inference from modeling. I support the research hypothesis with modeling and experiments on medical data, testing whether the use of explainable artificial intelligence at different stages of the model development process can be beneficial. The contribution to medical science includes the construction of models and the application of explainable artificial intelligence to real medical problems, which are used in large medical centers in Poland. Contributions to machine learning and explainable artificial intelligence include a new PDI measure for comparing models based on their explanations and a new Rashomon_DETECT algorithm for selecting the most different models from a set of near optimal models. I also proposed a new approach to the model-building process based on explainable artificial intelligence and an extension to consider a set of Rashomon models. This dissertation was written during an interdisciplinary doctoral program in mathematics and natural sciences. It combines knowledge and methodology from two fields: applied computer science and medical science. The work focuses on integrating methods from the field of computer science with theories and medical knowledge for the analysis of complex medical problems.