Aug, 2023

survex：用于解释机器学习生存模型的 R 包

PDF
TL;DR介绍 Survex R 包，通过应用可解释的人工智能技术，提供了一种解释任何生存模型的协同框架，能够理解和诊断生存模型，并揭示决策过程中的洞察力，透明度和责任性增强，有助于敏感领域（如生物医学和医疗领域）的可靠模型评估和偏差检测。
machine learning modelsstatistical survival modelsexplainable artificial intelligence techniquessurvex r packagebiomedical research
发现论文，激发创造
  • SurvBeX：基于 Beran 估计的机器学习生存模型的解释方法

    提出了一种名为 SurvBeX 的解释方法，用于解释机器学习生存黑盒模型的预测。该方法的主要思想是使用修改后的 Beran 估计器作为替代解释模型，并通过最小化黑盒模型与 Beran 估计器之间的平均距离来找到解释系数。通过使用合成和真实生存数据进行的多个数值实验表明 SurvBeX 的效率，并与 SurvLIME 和 SurvSHAP 进行了比较。

    Aug, 2023

  • 可解释的机器学习用于生存分析

    通过对现有的解释性机器学习方法的综述，我们详细介绍了如何将常用的解释性机器学习方法应用于生存分析，以实现对模型决策或预测的理解。并且通过对加纳儿童 5 岁以下死亡率的实际数据的应用，展示了如何在实践中使用这些技术来促进对模型决策或预测的理解。

    Mar, 2024

  • 可解释的心力衰竭风险预测的生存分析

    我们提出了一种新颖的生存分析流程，既能解释模型预测结果，又能与最先进的生存模型竞争。通过改进的生存堆叠模型将生存分析问题转化为分类问题，使用 ControlBurn 进行特征选择，并使用可解释的增强学习机器生成可解释的预测结果。我们使用大型电子健康记录数据库预测心力衰竭的风险，该流程实现了最先进的性能并提供了关于心力衰竭风险因素的有趣且新颖的见解。

    Oct, 2023

  • ASTERYX：基于 SAT 的模型无关符号和得分说明方法

    本文提出一种基于符号和数量特征的解释性人工智能方法 ASTERYX，其可用于解释复杂的机器学习模型。ASTERYX 还可以生成符号化解释和基于分数的解释，以量化特征在预测中的贡献，进而提供符号化和基于分数的解释。实验结果证明，该方法具有可行性且有效。

    Jun, 2022

  • 监督式机器学习可解释性调查

    该综述论文提供了解释性监督机器学习的基本定义、原则和方法，并对过去和最近的解释性机器学习方法进行了分类和综述。通过解释性案例研究阐明了原则，并讨论了重要的未来方向。

    Nov, 2020

  • 深度 Cox 混合以实现生存回归

    提出了一种基于混合 Cox 回归模型的新方法，其中硬指派混合组来进行优化，每个组分配使用深度神经网络拟合组内的风险率，并针对每个混合成分进行非参数基线风险拟合。在多个真实数据集上进行了实验，并研究了不同种族和性别的患者的死亡率。结果表明，该方法在医疗保健领域的判别性能和校准性方面都优于经典和现代生存分析，对于少数民族人群的性能优势更为明显。

    Jan, 2021

  • SurvSHAP (t): 机器学习生存模型的时间依赖性解释

    本文介绍一种基于 SHapley 加性解释的 SurvSHAP (t) 方法，使用其可以对时间相关的生存黑盒模型进行解释，提高精度诊断，支持领域专家决策。实验结果表明，SurvSHAP (t) 对时间相关变量的影响检测更准确，其聚合也比 SurvLIME 更好地确定了预测的变量重要性。

    Aug, 2022

  • 利用深度学习、机器学习和统计方法进行生存分析：预测住院后死亡的比较分析

    应用不同的生存分析方法比较其性能，结果表明深度学习（DeepSurv）在歧视度和校准性方面表现最佳，而 AutoScore-Survival 则通过最小变量集实现了较好的性能和解释性。

    Mar, 2024

  • 朝向临床预测的透明性：可解释性人工智能方法在养老院生存模型中的应用

    采用机器学习，为老年护理提供了生存模型，增强了模型可解释性及临床效用。

    Dec, 2023

  • 个性化生存预测及其上下文解释网络

    通过使用基于递归神经网络的预测模型，结合患者特征分析，构建出可解释的癌症患者存活时间分布预测模型，实验结果表明其相比于其他基线模型在预测性能上有明显优势。

    Jan, 2018