基于LIME的黑盒模型性能研究：以脓毒症检测为例
本研究提出一种基于深度学习方法的感染监测系统：该系统利用电子病历等数据预测感染发生的可能性并辅以早期干预以提高为病人争取更多时间，其性能表现在 AUROC 值为 0.856，可在感染发生前三小时预测。
Jun, 2019
提出了确定性局部可解释的模型无关解释技术 (DLIME) 来解决 LIME 技术中由于随机扰动和特征选择方法导致的解释生成不稳定的问题，在三个不同的医疗数据集上实验表明 DLIME 相比 LIME 具有更好的稳定性，这对于在医学 CAD 系统中的部署非常重要。
Jun, 2019
本文介绍了一种用于解释任何类型的机器学习模型的流行方法：局部可解释的模型无关解释（LIME）。该方法通过学习围绕预测的简单线性模型来解释一个预测，但其主要缺点是不稳定性。论文提出了一个称为 OptiLIME 的框架，以最大化稳定性，同时保留预定义水平的粘附性，并且对所得到的解释的数学属性进行了明确的突出显示。
Jun, 2020
通过集成预测模型标签与簇医学轨迹的方法，本研究开发了一种创新的方法，可以在模型开发期间预测性的检测到潜在的过度诊断病例，以提供安全的计算机诊断工具使用指南。
Jul, 2021
本研究使用公共eICU-CRD数据集和韩国圣玛丽医院的私人数据集，对LightGBM和XGBoost两种集成学习方法进行比较分析，发现这些方法在处理医疗数据不平衡和增强脓毒症检测方面的有效性。具体而言，LightGBM在计算效率和可扩展性方面略胜一筹。该研究为机器学习在危重护理中的广泛应用铺平了道路，从而全球扩展了预测分析在医疗保健中的应用。
Nov, 2023
本研究针对医疗领域中人工智能应用的公平性和可解释性的关键需求，提出了一种通过预测模型来改善公平性的方法，并介绍了一种新型特征重要性算法，用于解释各个特征对公平性的贡献。该方法不仅有助于识别和减轻预测模型中的偏见，也增加了模型预测的透明度和公平性，从而为提供更公平可信赖的医疗服务做出了贡献。
Apr, 2024
该研究通过结合深度学习模型和注意力机制的框架，提高其在预测败血症过程中的可解释性，从而支持临床决策。研究通过评估基于eICU-CRD数据集的模型在预测败血症患者生命体征方面的表现，并采用均方误差（MSE）和动态时间规整（DTW）度量来评估其性能，同时探索了N-HiTS和N-BEATS的注意力图，研究关键因素对生命体征预测的影响。
May, 2024
使用机器学习技术，通过元合奏方法预测败血症的发作，提高早期检测的预测准确度，结果显示元合奏模型优于单独模型，并通过AUC-ROC得分达到0.96，表明对早期败血症检测具有优势。
Jul, 2024
本研究针对院内脓毒症死亡预测中的特点选择和模型可解释性不足的问题，提出了一种可解释且精准的机器学习模型。通过对MIMIC-III数据库的ICU患者记录进行详细分析，随机森林模型在精确度和AUC方面表现优异，证明了数据驱动的机器学习在医疗保健中提高院内死亡预测的潜力。
Aug, 2024