面向提升模型可信度与支持临床决策的混合贝叶斯网络推理的增量式解释
人工智能
2020-03-09 v2 计算与语言
摘要
各类 AI 模型正日益被视为临床决策支持工具的一部分。然而，此类模型的可信度很少被考虑。如果临床医生能够理解并信任模型的预测，他们更有可能使用该模型。关键在于其底层推理是否可被解释。贝叶斯网络（BN）模型的优势在于它并非黑箱，其推理可被解释。本文提出一种可应用于混合 BN（即同时包含离散与连续节点的 BN）的推理增量式解释。我们回答的关键问题是：（1）哪些重要证据支持或反驳该预测；（2）信息通过哪些中间变量流动。该解释通过真实临床案例研究加以说明，并开展了一项小型评估研究。
引用
@article{arxiv.2003.02599,
title = {An Incremental Explanation of Inference in Hybrid Bayesian Networks for Increasing Model Trustworthiness and Supporting Clinical Decision Making},
author = {Evangelia Kyrimi and Somayyeh Mossadegh and Nigel Tai and William Marsh},
journal= {arXiv preprint arXiv:2003.02599},
year = {2020}
}