すべての人に一次情報を
睡眠段階分類で高い精度を示す AI に、臨床で求められる説明性が不足していた。そこで研究者は SleepXAI フレームワークを拡張し、5 つの代表的な勾配ベース XAI 手法(修正 Grad‑CAM、Vanilla Saliency、DeepLIFT、SHAP、Integrated Gradients)を体系的に比較した。
今回のモデルは、単一チャンネル EEG エポックを 64 次元の特徴ベクトルにエンコードする CNN と、そのシーケンスを線形チェーン CRF でデコードする CNN‑CRF から構成される。モデルは Leave‑One‑Subject‑Out クロスバリデーションで学習された。
Sleep‑EDF 参照データセットでの全体精度は CNN‑CNN ベースの基準モデル 84.79 % を 86.81 % に向上させた。DREAMT データセットでは、正常群で 74.73 % から 76.10 %、軽度 OSA 群で 66.00 % を同程度に改善した。各段階(覚醒、N2、N3、REM)での精度向上は一貫しており、N1 がマイノリティ段階であるため精度は低かった。
説明性の妥当性は、XAI マップと American Academy of Sleep Medicine(AASM)で定義された EEG 周波数帯への Spearman ランク相関で測定された。高精度モデルほどこの相関が強く、臨床的に意味のある重要領域を正しく捉えていることが示された。
ただし、いくつかの制限がある。評価は勾配ベース手法に限定され、LIME などの摂動ベースや注意機構ベースの説明は対象外である。さらに、N1 と N3 の Epoch が全体の 15 % 未満と少数であるため、これら段階の説明マップの信頼性が低下する可能性がある。説明は CNN エンコーダ出力で算出され、CRF のシーケンスレベル平滑化は反映されていない。最後に、結果は SleepXAI の CNN‑CRF アーキテクチャに限定され、他の睡眠段階分類モデルへの一般化は保証されない。