Dec, 2023

XAI 与生物学的结合：可解释人工智能在生物信息学应用中的综述

PDF
TL;DR人工智能特别是机器学习和深度学习模型对生物信息学研究产生了重大影响，但这些模型的可解释性和透明度不足在深入的生物学见解和生成可检验的假设方面存在挑战。可解释人工智能 (XAI) 已经成为增强生物信息学中人工智能模型的透明性和可解释性的有希望的解决方案。本综述详细分析了各种 XAI 技术及其在 DNA、RNA 和蛋白质序列分析、结构分析、基因表达和基因组分析以及生物成像分析等各种生物信息学领域中的应用。我们介绍了最相关的机器学习和 XAI 方法，然后讨论了它们的多样应用并解决了现有 XAI 工具的当前限制。通过提供对 XAI 的潜力和挑战的见解，本综述旨在促进其在生物信息学研究中的实际应用，并帮助研究人员探索 XAI 工具的领域。
发现论文，激发创造
  • 可解释的人工智能在药物发现和开发中的应用 —— 综述

    人工智能在药物研发领域发挥着重要作用，但复杂的模型需要透明和解释性，因此可解释的人工智能是处理该问题的一种新方法。本文综述了可解释人工智能在药物研发中的最新进展，包括各种方法、应用以及挑战和局限，还探讨了其在目标识别、化合物设计和毒性预测等方面的应用，以及未来的研究方向。该综述旨在全面了解可解释人工智能在药物研发中的现状及其对该领域的潜在影响。

    Sep, 2023

  • 生物医学信号和图像处理中的可解释 AI（XAI）：承诺与挑战

    本文综述了生物医学数据处理中可解释人工智能的发展，并提出了 IEEE 信号处理杂志即将于 2022 年 3 月推出的深度学习在生物医学影像和信号处理中的特刊。

    Jul, 2022

  • 可解释人工智能 (XAI) 中的机遇与挑战：一份调查

    本文介绍了深度学习中可解释人工智能技术（XAI），提出了技术分类法并介绍了方法学、范畴和应用层次等主要原则，旨在建立可信、可解释和自说明的深度学习模型。此外，通过八种不同的可解释人工智能算法对图像数据进行了评估，讨论了这种方法的局限性，并提出了未来改进的潜在方向。

    Jun, 2020

  • 可解释人工智能：系统综述

    这篇论文从四个主要聚类方向：综述文章、理论和概念、方法及其评估，总结了可解释人工智能领域的最新技术水平并提出了未来研究方向。

    May, 2020

  • 可解释人工智能（XAI）综述：面向医疗 XAI

    这篇论文概述了解释机器学习算法决策的不同方法，并将它们应用到医学研究中，以提高医生对这些算法的信任度。

    Jul, 2019

  • 可解释的人工智能在医疗保健中的简要回顾

    本文系统地评估了透明度和可解释性在医疗保健领域中的重要性和相关的机器学习模型。通过六种不同的方法探讨了 XAI 的各个方面和挑战，并探明了其在解决医疗保健领域中存在的问题方面所起到的重要作用。

    Apr, 2023

  • 网络安全可解释人工智能调查

    通过对网络系统中的网络驱动安全威胁和问题进行系统分类，本文就网络安全中的可解释人工智能问题进行了回顾和研究，探讨了解释人工智能目前的挑战和局限性，并提出了未来的研究方向。

    Mar, 2023

  • 医学图像中的可解释人工智能：一项调查

    本研究旨在分析 XAI 在医学诊断研究中应用的最新研究，对多种不同疾病（如癌症和 COVID-19）的机器学习结果进行解释，以实现想要的评估。

    May, 2023

  • 基于深度学习的医学图像分析中的可解释人工智能（XAI）

    本文调查了可解释人工智能 (XAI) 在基于深度学习的医学图像分析中的应用，提出了一个 XAI 标准框架来分类这些基于深度学习的方法，根据解释方法和解释结构将应用于医学图像分析中的 XAI 技术进行了分类，并按解剖位置进行了整理，并给出了未来在医学图像分析中 XAI 的机会的展望。

    Jul, 2021

  • 面向网络安全的可解释人工智能：现状、挑战、未解问题和未来方向

    本文综述了可解释人工智能在网络安全领域中的应用，以及传统人工智能技术的挑战和在不同行业和应用中 XAI 的实现。

    Jun, 2022