Nov, 2015

运用规则和贝叶斯分析的可解释分类器：构建更好的中风预测模型

PDF
TL;DR使用决策列表的生成模型 Bayesian Rule Lists，其预测准确度与机器学习中当前最好的算法相当，可用于生成高度准确和易于解释的医学评分系统，并且在可解释性方面不亚于现有的 CHADS$_2$，但更加准确。
predictive modelsinterpretabledecision listsbayesian rule listsmedical scoring systems
发现论文，激发创造
  • 可扩展的贝叶斯规则列表

    提出了一种建立概率规则列表的算法，其速度比以前的工作快两个数量级，并能够通过优化规则列表在准确性、可解释性和计算速度之间实现实用平衡，并利用贝叶斯分层模型优化概率分类器。

    Feb, 2016

  • 基于 MDL 的规则列表的可解释多分类

    本文介绍了一种基于概率规则列表和最小描述长度原则的模型选择方法，该方法可以在减小模型复杂度与保持良好拟合度之间进行折衷。同时，介绍了 Classy 算法，该算法针对多类别分类问题，选择小的概率规则列表，实现了良好的性能和可解释性。

    May, 2019

  • 预测中风后康复：基于可解释人工智能的深度学习、多模态数据和特征选择

    机器学习在预测中风后症状及其对康复的反应方面具有巨大潜力。本研究评估了对神经影像数据进行维度降低和特征选择的方法，并提出了使用卷积神经网络 (CNN) 对结合神经影像和表格数据的新方法。研究结果显示，即使数据集规模较小，结合神经影像和表格数据可实现高精度的中风后分类，可以进一步通过使用医院扫描仪中的图像来提高分类准确性。

    Oct, 2023

  • 可解释分类规则的高效学习

    本文介绍了一种名为 IMLI 的基于最大可满足性的可解释学习框架，通过结合小批量学习和迭代规则学习的方法，实现了分类规则的合成。实验结果表明，IMLI 在预测准确性、可解释性和可伸缩性之间取得了最好的平衡，并用于学习流行的可解释分类器，如决策列表和决策集。

    May, 2022

  • 从神经网络中学习准确且可解释的决策规则集

    本文提出了一种新的范式，使用一个可解释的二层神经网络学习一组独立的逻辑规则作为分类的模型，并提出一种基于稀疏性的规则得出算法，相比其他学习算法和黑匣子模型，该方法可以在分类准确性和简单性之间取得更好的平衡。

    Mar, 2021

  • 从树集合中解析提取的规则：应用于乳腺 MRI 计算机辅助诊断

    提出了一种计算机辅助诊断 (CAD) 系统，通过多参数图像特征组合来区分乳腺 MRI 检查中的癌性和非癌性病变，并使用规则提取算法以易于理解的图形可视化方式呈现病变分类结果。

    Jun, 2016

  • 从构思到部署：基于机器学习和性能评估的智能中风预测框架

    本文提出了一个智能中风预测框架，该框架在文献中对使用最广泛的五种机器学习算法进行了评估，并比较分析了结果，发现随机森林算法最适合中风预测。

    Apr, 2023

  • 基于随机森林的卒中结果预测

    通过使用机器学习技术，研究临床、生化和神经影像因素，生成一个预测模型，用于预测中风患者在入院后 3 个月的死亡率和发病率，并得出结论：机器学习算法可以有效地用于中风患者的长期死亡率和发病率的预测。

    Feb, 2024

  • 个性化可信决策集：提高临床决策支持系统的可解释性

    本研究提出了一种新型的临床决策支持系统，结合了一组规则和机器学习算法，提供了全局和局部的可解释性，并使用机器学习算法预测每个规则在特定患者的正确性可能性，以更好地提高预测性能，并提高个性化解释能力，这些元素的结合可以帮助医生更好地评估患者的情况，提高医生的决策能力。

    Jul, 2021

  • 脑血流动力学信号监测中的卒中预测和诊断模型

    使用机器学习技术基于血流动力学数据开发的模型能够在 30 分钟内诊断卒中亚型，在前 3 小时内预测死亡，并在短短的 15 分钟内预测卒中复发。

    May, 2023