脑龄预测新突破：XAI-Refine自动解释知识循环，让模型自己找证据改自己！
XAI-Refine: An Automated Explanation-Knowledge Loop for Brain-Age Prediction
📖 AI 总结
该研究针对脑龄预测模型仅以预测精度为评价标准、难以保证其依赖可复现或具神经生物学依据机制的问题，提出XAI-Refine自动化解释—知识闭环框架。该方法基于静息态功能连接，将多次训练得到的互补事后解释整合为可靠的结构化模型解释，再把每条可靠解释转化为中性的神经生物学问题，检索并验证相关文献，将验证证据编译为同一类型解释空间中的可采纳集合。细化目标被定义为当前模型解释在可采纳集合上的最小投影，并转化为可微约束，同时保留原模型变量、测量算子与适用范围。候选更新仅在多种子验证确认解释朝目标移动、预测性能处于预设护栏内且非目标解释漂移受限时才被采纳。实验从预测性能、解释可靠性、文献一致性和目标特异性模型修正等方面评估，展示了从事后分析走向证据引导模型细化的结构化路径。
🔑 关键词速览
| Brain-age prediction | 利用神经影像数据预测个体大脑年龄的建模任务，常用于评估脑健康与衰老。 |
| Resting-state functional connectivity | 在静息状态下测量的大脑不同区域间功能信号的时间相关性，反映内在脑网络组织。 |
| Post-hoc explanation | 在模型训练完成后，用于解释模型决策依据的事后分析方法，如特征重要性或显著性图。 |
| Admissible set | 由已验证知识诱导的、模型解释可被接受或投影到的约束集合，用于指导模型细化。 |
| Differentiable constraint | 可嵌入模型训练目标中的可微约束项，用于在优化过程中引导模型行为。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅