面向可解释性主体级预测的轻量级因果模型

Jun, 2023

面向可解释性主体级预测的轻量级因果模型

A Lightweight Causal Model for Interpretable Subject-level Prediction

Chiara Mauri, Stefano Cerri, Oula Puonti, Mark Mühlau, Koen Van Leemput

TL;DR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。

Abstract

Recent years have seen a growing interest in methods for predicting a variable of interest, such as a subject's diagnosis, from medical images. Methods based on discriminative modeling excel at making accurate pr

medical images discriminative modeling generative models brain mapping subject-level predictions

发现论文，激发创造

基于遗传和临床数据的解剖预测建模

我们提出了一种半参数生成模型，用于预测基准图像后随后扫描中患者的解剖结构。该模型通过个体基因和临床指标的非参数模型，结合全群回归捕捉解剖学变化。我们演示了在 ADNI 队列中预测随访解剖扫描，并且说明了比较患者扫描和预测的个体化健康解剖轨迹的新分析方法。

Oct, 2020

将黑盒模型精馏为可解释模型以实现有效的迁移学习

本文介绍了如何使用可解释性模型进行 AI 模型的迁移学习，通过将深度神经网络分解成可解释的浅层模型，然后使用人类可解释概念构建了一组混合模型以实现针对未知领域的高效微调，最终使用半监督学习中的伪标签技术来在目标领域学习概念分类器并进行微调。在大规模胸部 X 射线分类数据集上评估了模型。

May, 2023

可解释性作为统计推论

通过统计推断方法构建了一种概率模型，通过学习模型参数和使用神经网络选择器来实现解释性预测，并利用新数据集进行了实验验证，证明了使用多重插补提供了更合理的解释。

Dec, 2022

DiffExplainer: 通过反事实生成揭示黑匣子模型

通过生成对抗图像，我们提出了一种方法来揭示影响黑盒模型的决策的关键特征，以提高医学图像分类中深度学习模型的可靠性。

Jun, 2024

精细化因果关系诊断预测

本篇论文研究了利用因果关系来改进医疗领域中的疾病诊断预测模型，通过因果关系的推断提高医生的决策能力和模型的预测准确性。

Nov, 2017

决策推理解码：基于反事实的模型在知识发现中的运用

在医学成像中，辨识人工智能模型预测背后的理由对于评估其决策的可靠性至关重要。为了填补这一差距，我们提出了一种具备决策推理和特征识别能力的可解释模型，不仅能够检测有影响力的图像模式，还能揭示驱动模型最终预测的决定性特征。通过实施我们的方法，我们能够有效地识别和可视化数据驱动模型利用的类别特定特征，为深度学习模型的决策过程提供洞察，验证了我们的模型在医学预测任务中的效用和潜力，从而提高了人工智能在医疗保健领域的可靠性，并发现了在预后理解有限的疾病中的新知识。

May, 2024

COVID-19 预测的可解释序列学习

本文提出了一种将机器学习技术融入到疾病隔室建模中，以预测 COVID-19 发展的新方法，并展示了其在美国州和县级别的应用。结果表明，我们的模型提供了更准确的预测和有意义的解释，具有可解释性和信任度。

Aug, 2020

用于贝叶斯因果发现的潜变量模型

该研究探讨了从高维数据中学习因果表示的挑战性问题，并引入了一种基于潜变量解码器模型的贝叶斯因果发现方法，在半监督和无监督的情况下进行了实验，表明使用已知的干预目标能够帮助结构和参数的无监督贝叶斯推断。

Jul, 2022

可解释的深度因果学习用于调节效应

本文介绍一种新的深度反事实学习架构，旨在解决因果机器学习模型中的可解释性和定向正则化问题，并演示了其在估计个体治疗效果方面的应用。

Jun, 2022

可解释的医疗索赔建模（不仅是事后解释）以预防可避免的所有原因再入院或死亡

使用 Bayesian 模型和医疗索赔数据构建了一个可解释的生存模型，预测患者出院后的复诊和死亡风险，除了提高准确度，还能够量化相关风险因素和出院前景。

Aug, 2022