本论文探讨了利用机器学习应用于不适感绘画数据以做出诊断预测的可能性和潜在价值,并通过实验验证了机器学习在医疗过程中的重要作用和前景。
Dec, 2016
本文讨论因果语言如何对医学影像机器学习中的主要挑战(数据稀缺性和数据不匹配)进行分析,为数据收集,注释程序和学习策略的决策提供更透明的解释。研究发现,在医学影像数据中,考虑因果关系对于机器学习的安全性、法规性和责任报告至关重要。
Dec, 2019
本文探讨基于技术成熟度级别的因果分析方法在医疗图像分析中填补算法性能和可靠性方面的空白,并就基于因果性的方法在医疗图像 AI/ML 中的应用进行了综述,发现其具有减轻临床转化中的关键问题的潜力,但目前在临床下游研究中的应用尚有限。
Jun, 2022
本文探讨了应用因果分析作为资源优化工具来开发医学成像机器学习应用的潜力。通过对合成数据集和糖尿病视网膜病变图像分析的实例研究,研究了数据集干预对图像分类模型输出的影响,以及需要在数据集中加入的数据量和类型以实现特定子任务的更好性能。
本文提出了一种探测变量之间潜在共同原因的因果发现算法,并将其应用于两个有向因果发现算法的实验中。结果表明,该算法可以探测到已知的共同原因,并保留原始算法在区分有向因果关系方面的性能
Oct, 2019
本文探讨了如何将因果推断融入临床决策支持系统,以及因果表示学习、因果发现和因果推理领域中的研究方向,以解决医疗应用中存在的高维非结构化数据处理、样本推广和时间关系等挑战。以 Alzheimer 病为例,展示了因果机器学习在临床场景中的优势。
May, 2022
本文概述了因果分析的基本背景和关键概念,总结了最近的可解释机器学习的因果方法,讨论了评估方法质量和因果可解释性中的开放问题。
Jun, 2020
机器学习在预测方面已经取得了很大进展,但缺乏通用人工智能,研究表明因果推断是实现机器推理和机器智能的一种重要方法,本文通过统计数据学习框架、分布分类任务和卷积神经网络特征等方面的研究,提出了一种可扩展、具有强大理论保证且在多个实际基准测试中取得最新成果的新因果推断算法。
Jul, 2016
本文利用经典的统计测试方法,于大数据中设计出一种可扩展且自动化的因果关系探索方法,即基于具有因果解释的决策树分类方法,旨在解决因果关系的发现问题。
Aug, 2015
本论文提出了一种多变量噪声模型与神经元影像生成模型的简单技术,通过构建因果关系实现了单个主体预测及对预测结果的解释,且在训练模型时只需要一个超参数。
Jun, 2023