論文の概要: Improving the compromise between accuracy, interpretability and
personalization of rule-based machine learning in medical problems
- arxiv url: http://arxiv.org/abs/2106.07827v1
- Date: Tue, 15 Jun 2021 01:19:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-16 15:08:16.985326
- Title: Improving the compromise between accuracy, interpretability and
personalization of rule-based machine learning in medical problems
- Title（参考訳）: 医療問題におけるルールベース機械学習の精度・解釈可能性・個人化の妥協
- Authors: Francisco Valente, Simao Paredes, Jorge Henriques
- Abstract要約: 特定の患者に対してルールが正しいか否かを予測するための新しいコンポーネントを導入し、その手順にパーソナライズを導入する。
3つの公開臨床データセットを用いた検証結果から,選択したルールセットの予測性能の向上も可能であることが示された。
- 参考スコア（独自算出の注目度）: 0.08594140167290096
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the key challenges when developing a predictive model is the
capability to describe the domain knowledge and the cause-effect relationships
in a simple way. Decision rules are a useful and important methodology in this
context, justifying their application in several areas, in particular in
clinical practice. Several machine-learning classifiers have exploited the
advantageous properties of decision rules to build intelligent prediction
models, namely decision trees and ensembles of trees (ETs). However, such
methodologies usually suffer from a trade-off between interpretability and
predictive performance. Some procedures consider a simplification of ETs, using
heuristic approaches to select an optimal reduced set of decision rules. In
this paper, we introduce a novel step to those methodologies. We create a new
component to predict if a given rule will be correct or not for a particular
patient, which introduces personalization into the procedure. Furthermore, the
validation results using three public clinical datasets show that it also
allows to increase the predictive performance of the selected set of rules,
improving the mentioned trade-off.
- Abstract（参考訳）: 予測モデルを開発する際の重要な課題の1つは、ドメイン知識と因果関係を単純な方法で記述できる能力である。
決定規則はこの文脈において有用かつ重要な方法論であり、いくつかの分野、特に臨床における応用を正当化する。
いくつかの機械学習分類器は、決定規則の有利な特性を利用して、インテリジェントな予測モデルを構築している。
しかし、そのような手法は通常、解釈可能性と予測性能のトレードオフに悩まされる。
いくつかの手順はETの単純化を考慮し、ヒューリスティックなアプローチを用いて最適な決定規則のセットを選択する。
本稿では,これらの方法論に新たなステップを導入する。
我々は、特定の患者に対して所定のルールが正しいかどうかを予測するための新しいコンポーネントを作成し、その手順にパーソナライズを導入する。
さらに, 3つの臨床データセットを用いた検証結果から, 選択したルールセットの予測性能を向上し, 上記のトレードオフを改善した。
関連論文リスト
- Systematic Characterization of the Effectiveness of Alignment in Large Language Models for Categorical Decisions [0.0]
本稿では,大規模言語モデル(LLM)において,医学的トリアージによるカテゴリー決定における選好アライメントを評価するための体系的手法を適用した。
また、アライメント手順が特定のモデルのアライメントをどのように効率的に変更するかを測定する。
その結果、モデル間のアライメントの有効性とアライメントアプローチの相違が明らかとなった。
論文 参考訳（メタデータ） (2024-09-18T19:03:04Z) - Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。
診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。
本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
論文 参考訳（メタデータ） (2024-03-09T13:48:20Z) - Predict-Then-Optimize by Proxy: Learning Joint Models of Prediction and
Optimization [59.386153202037086]
Predict-Then-フレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。
このアプローチは非効率であり、最適化ステップを通じてバックプロパゲーションのための手作りの、問題固有のルールを必要とする。
本稿では,予測モデルを用いて観測可能な特徴から最適解を直接学習する手法を提案する。
論文 参考訳（メタデータ） (2023-11-22T01:32:06Z) - Assisting clinical practice with fuzzy probabilistic decision trees [2.0999441362198907]
本研究では,確率木とファジィ論理を組み合わせて臨床実習を支援する新しい手法であるFPTを提案する。
FPTとその予測は、この目的のために特別に設計されたユーザフレンドリーなインターフェースを用いて、直感的に臨床実践を支援することができることを示す。
論文 参考訳（メタデータ） (2023-04-16T14:05:16Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Clinical outcome prediction under hypothetical interventions -- a
representation learning framework for counterfactual reasoning [31.97813934144506]
本稿では,リスクモデルの組込み特性として,対実的説明の提供を考慮した新しい表現学習フレームワークを提案する。
提案する枠組みは, 研究者や臨床医がパーソナライズされたケアを改善するのに役立つ可能性が示唆された。
論文 参考訳（メタデータ） (2022-05-15T09:41:16Z) - Predictive machine learning for prescriptive applications: a coupled
training-validating approach [77.34726150561087]
規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。
このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。
合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
論文 参考訳（メタデータ） (2021-10-22T15:03:20Z) - Fair Conformal Predictors for Applications in Medical Imaging [4.236384785644418]
コンフォーマルな手法は、モデル不確実性を臨床的に直感的に表現する方法を提供することで、ディープラーニングモデルを補完することができる。
マンモグラフィー乳房密度と皮膚写真データセットを用いて実験を行い, コンフォメーション予測の有用性を実証した。
コンフォメーション予測器は, 人種や肌の色調などの患者層に対して, カバー範囲の等化に有効であることがわかった。
論文 参考訳（メタデータ） (2021-09-09T16:31:10Z) - Decision Rule Elicitation for Domain Adaptation [93.02675868486932]
ヒトインザループ機械学習は、専門家からラベルを引き出すために人工知能(AI)で広く使用されています。
この作業では、専門家が意思決定を説明する決定ルールを作成できるようにします。
決定規則の適用はアルゴリズムのドメイン適応を改善し、専門家の知識をAIモデルに広めるのに役立つことを示す。
論文 参考訳（メタデータ） (2021-02-23T08:07:22Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - (Un)fairness in Post-operative Complication Prediction Models [20.16366948502659]
手術前のリスク推定の実例を考察し,様々なアルゴリズムの偏見や不公平性について検討する。
当社のアプローチでは,潜在的なバイアスに関する透過的なドキュメントを作成して,ユーザが慎重にモデルを適用できるようにしています。
論文 参考訳（メタデータ） (2020-11-03T22:11:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。