COVID-19 疫情迫使人们限制了社交活动，导致精神疾病，特别是抑郁症的增加。为了准确快速地诊断这些疾病并防止严重后果如自杀，机器学习的使用变得越来越重要。此外，为了提供精确可理解的诊断以进行更好的治疗，AI 科学家和研究人员必须开发可解释的基于 AI 的解决方案。本文概述了机器学习和可解释 AI 领域相关文章，旨在帮助理解在精神疾病检测应用中使用 AI 的优势和劣势。

Nov, 2023

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

该研究论文概述了理解机器学习模型的需求，解释了分类理解方法并提供了在不同医疗保健领域实际应用机器学习可解释性的例子，强调开发算法解决高风险医疗问题的重要性。

Feb, 2020

研究表明，2020 年针对新冠肺炎的机器学习模型都存在方法学缺陷和 / 或潜在偏差，无法在临床上实际使用。为此，该文提出多项建议以解决这些问题并提高模型开发的质量和文件的可靠性。

Aug, 2020

通过病人症状，临床数据和医疗成像的大数据集，机器学习模型能够分析预测 COVID-19，其中症状为基础的模型表现良好，但图像为基础的模型的精确度通常较高。

Dec, 2023

本文利用混合强化学习和进化计算的方法，基于现有的模拟器生成可解释的政策，以在减少 COVID-19 传播的同时最小化经济损失，与先前的研究和政府政策相比，得出了具有更好性能的简化的政策。

Apr, 2022

通过分析当前文献，本研究提供了关于机器学习在疾病诊断方面的最新方法和性能指标的深入了解。

Oct, 2023

通过对使用机器学习算法诊断传染病的最新研究文章的综述，我们发现大多数文章使用小数据集，结论表明合适的机器学习技术取决于数据集的类型和预期目标。

Jun, 2022

通过结合大规模预训练图像编码器、风险特定的 Grad-CAM 技术以及解剖区域检测技术，我们提出了一种可解释的深度生存预测模型，该模型特别针对 COVID-19 前景进行改进，使用胸部 X 射线（CXR）图像来提高对疾病的理解和信任。我们的模型通过风险区域定位提供了预测结果的更清晰和透明度，使临床医生能够在对预后洞察力有更好理解的情况下做出知情决策，从而改善了 COVID-19 诊断的解释性。在多中心生存数据集上评估所提出的方法，并通过定量和定性评估证明了其有效性，达到了优越的 C 指数（0.764 和 0.727）和时间相关的 AUC（0.799 和 0.691）。这些结果表明，我们的可解释的深度生存预测模型在风险预测方面超越了传统的生存分析方法，提高了临床决策的可解释性并增强了 AI 系统的可信度。

May, 2024

通过机器学习可以定量描述疾病传播模式并准确预测传染性疾病风险，促进疾病预防和控制。

Aug, 2023