NEURON：面向有据临床可解释性的神经符号系统

高性能模型的黑盒/灰盒性质阻碍了临床人工智能的采用，这些模型缺乏专业级可解释性所需的本体论基础和叙述透明度。我们推出 NEURON，一种神经符号系统，旨在增强预测可靠性和临床可解释性。 NEURON 将 SNOMED CT 本体信息结构表示与机器学习模型相集成，以弥合原始数据和医学术语之间的差距。为了促进人机交互，该系统利用基于检索增强生成 (RAG) 的 LLM 层将 SHAP 特征属性和患者特定的临床记录合成为连贯的自然语言解释。在急性心力衰竭死亡率预测的 MIMIC-IV 数据集上进行验证，NEURON 将 AUC 从 0.74-0.77 提高到 0.84-0.88，并且在人类对齐指标中显着优于原始 SHAP 可视化（0.85 与 0.50）。我们的结果表明，NEURON 提供了强大的、可扩展的工程解决方案，用于部署值得信赖、以人为本的互联健康应用程序。