Fugu-MT 論文翻訳(概要): Elucidating Discrepancy in Explanations of Predictive Models Developed using EMR

論文の概要: Elucidating Discrepancy in Explanations of Predictive Models Developed using EMR

arxiv url: http://arxiv.org/abs/2311.16654v1
Date: Tue, 28 Nov 2023 10:13:31 GMT
ステータス: 処理完了
システム内更新日: 2023-11-29 18:57:24.558914
Title: Elucidating Discrepancy in Explanations of Predictive Models Developed using EMR
Title（参考訳）: EMRを用いた予測モデルの記述における不一致の解明
Authors: Aida Brankovic, Wenjie Huang, David Cook, Sankalp Khanna, Konstanty Bialkowski
Abstract要約: 透明性と説明責任の欠如は、機械学習(ML)アルゴリズムの臨床的採用を妨げる。本研究は電子カルテ(EMR)データのために開発された臨床診断支援アルゴリズムに適用する。
参考スコア（独自算出の注目度）: 2.1561701531034414
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The lack of transparency and explainability hinders the clinical adoption of Machine learning (ML) algorithms. While explainable artificial intelligence (XAI) methods have been proposed, little research has focused on the agreement between these methods and expert clinical knowledge. This study applies current state-of-the-art explainability methods to clinical decision support algorithms developed for Electronic Medical Records (EMR) data to analyse the concordance between these factors and discusses causes for identified discrepancies from a clinical and technical perspective. Important factors for achieving trustworthy XAI solutions for clinical decision support are also discussed.
Abstract（参考訳）: 透明性と説明性の欠如は、機械学習(ml)アルゴリズムの臨床的採用を妨げる。説明可能な人工知能(xai)手法が提案されているが、これらの手法と専門的な臨床知識の一致に焦点をあてた研究はほとんどない。本研究は,電子カルテ(EMR)データを用いて,これらの因子の一致を解析し,臨床・技術的見地から識別された相違点の原因を考察するために,現状の技術的説明可能性手法を臨床決定支援アルゴリズムに適用する。臨床診断支援のための信頼性の高いXAIソリューションを実現するための重要な要因についても論じる。

関連論文リスト

XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文参考訳（メタデータ） (2023-12-29T14:28:04Z)
Exploring the Role of Explainability in AI-Assisted Embryo Selection [0.0]
体外受精は不妊治療において最も広く行われている治療法の一つである。その主な課題の1つは、移植のための胚の評価と選択である。深層学習に基づく手法が注目されているが、その不透明な性質は臨床における受容を損なう。
論文参考訳（メタデータ） (2023-08-01T09:46:31Z)
Beyond Known Reality: Exploiting Counterfactual Explanations for Medical Research [1.6574413179773761]
本研究は, 医療研究における「もし」シナリオの適用可能性を探るために, 反事実的説明を用いている。本研究の目的は, 小児後頭葉腫瘍の診断に使用されるMRI像の理解を深めることである。
論文参考訳（メタデータ） (2023-07-05T09:14:09Z)
Evaluation of Popular XAI Applied to Clinical Prediction Models: Can They be Trusted? [2.0089256058364358]
透明性と説明可能性の欠如は、機械学習(ML)アルゴリズムの臨床的採用を妨げる。本研究は、医療現場における予測モデルの説明に使用される2つの一般的なXAI手法を評価する。
論文参考訳（メタデータ） (2023-06-21T02:29:30Z)
Informing clinical assessment by contextualizing post-hoc explanations of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文参考訳（メタデータ） (2023-02-11T18:07:11Z)
Context-dependent Explainability and Contestability for Trustworthy Medical Artificial Intelligence: Misclassification Identification of Morbidity Recognition Models in Preterm Infants [0.0]
説明可能なAI(XAI)は、エンドユーザーをサポートするAI推論を明確にすることで、この要件に対処することを目指している。提案手法は,3つの主要な柱上に構築され,臨床コンテキストの潜時空間を利用して特徴セットを分解し,世界的説明の臨床的関連性を評価するとともに,局所的説明に基づく潜時空間類似性(LSS)を考察した。
論文参考訳（メタデータ） (2022-12-17T07:59:09Z)
Explainable Deep Learning in Healthcare: A Methodological Survey from an Attribution View [36.025217954247125]
本稿では,今後の研究者や臨床医の方法論として,深部・包括的に解釈可能性の方法を紹介した。我々は、これらの方法が医療問題にどのように適応し、適用されたか、また、医師がこれらのデータ駆動技術をよりよく理解するのにどのように役立つかについて議論する。
論文参考訳（メタデータ） (2021-12-05T17:12:53Z)
BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文参考訳（メタデータ） (2021-10-05T19:14:46Z)
VBridge: Connecting the Dots Between Features, Explanations, and Data for Healthcare Models [85.4333256782337]
VBridgeは、臨床医の意思決定ワークフローに機械学習の説明をシームレスに組み込むビジュアル分析ツールである。我々は,臨床医がMLの特徴に慣れていないこと,文脈情報の欠如,コホートレベルの証拠の必要性など,3つの重要な課題を特定した。症例スタディと専門医4名のインタビューを通じて, VBridgeの有効性を実証した。
論文参考訳（メタデータ） (2021-08-04T17:34:13Z)
Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文参考訳（メタデータ） (2021-01-27T13:16:51Z)
Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。