Методы explainable artificial intelligence (XAI) всё чаще применяются в молекулярной и мультимодальной онкологии для выявления признаков, влияющих на предсказания моделей машинного обучения. Однако значимый для модели признак может быть назван биомаркером, механистическим драйвером или терапевтической мишенью — хотя эти определения представляют различные научные утверждения, требующие разных доказательств.
Авторы предлагают XAI Biomarker Translation Matrix — концептуальную рамку, разделяющую три типа доказательств:
- Explanation evidence (E) — доказательства объяснимости: атрибуция определена, стабильна, соответствует модели (faithful) и воспроизводима
- Biological evidence (B) — биологические доказательства связи выявленного признака с патогенезом
- Translational evidence (T) — трансляционные доказательства клинической применимости
Матрица включает claim gate — узел классификации утверждений, направляющий XAI-приоритизированные кандидаты в три валидационных пути:
- Диагностические, прогностические или предиктивные биомаркеры
- Механистические терапевтические мишени
- Мишени для опухоль-селективной доставки
Claim-evidence concordance требует, чтобы терминология не была сильнее продемонстрированных доказательств для заявленного применения. Подход falsification-first translation предлагает исследователям заранее определить наблюдение, наиболее способное опровергнуть предложенную интерпретацию.
Матрица дополняет существующие стандарты отчётности по AI, валидации биомаркеров и оценки мишеней, добавляя XAI-специфичный слой доказательств объяснимости и явный claim gate, связывающий атрибуцию с доказательствами и терминологией, соответствующими конкретному утверждению: XAI приоритизирует кандидатов; утверждение определяет путь валидации.