W stronę wyjaśnialnego głębokiego uczenia w ochronie zdrowia z użyciem macierzy przejścia i przystępnych cech
Frontiers in Artificial Intelligence, t. 7, art. 1482141
Streszczenie redakcyjne
Macierz przejścia łączy wyniki głębokiej sieci z cechami klinicznymi wybranymi na podstawie wytycznych i reguł eksperckich. Eksperymenty dotyczące arytmii w EKG oraz MRI serca porównują wyjaśnienia z adnotacjami ekspertów. Zgodność jest mierzona oddzielnie dla obu zbiorów danych.
Opis bibliograficzny
Format cytowania wymagany przez czasopismo lub organizację sprawdź w rekordzie wydawcy.
Oleksander Barmak, Iurii Krak, Sergiy Yakovlev, Eduard Manziuk, Pavlo Radiuk, Vladislav Kuznetsov. "Toward Explainable Deep Learning in Healthcare through Transition Matrix and User-Friendly Features". Frontiers in Artificial Intelligence, Vol. 7, Article 1482141, 2024. https://doi.org/10.3389/frai.2024.1482141
Sprawdź metodę w swoim zastosowaniu.
Opisz decyzję, którą ma wspierać Twój system, oraz dostępne dane. Ocenimy przydatność metody, określimy zakres prototypu i uzgodnimy sposób pomiaru jakości, czasu odpowiedzi oraz kosztu działania.