鲁棒且可解释死亡预测模型的部署：COVID-19 大流行及以后
机器学习
2023-11-30 v1 人工智能
摘要
本研究调查了在 COVID-19 大流行及以后部署的人工智能（AI）模型在死亡预测中的性能、可解释性与鲁棒性。作为同类研究的首次探索，我们发现贝叶斯神经网络（BNNs）与智能训练技术使我们的模型能够在显著的数据偏移中保持性能。我们的结果强调了开发鲁棒 AI 模型的重要性，这类模型即使在挑战性条件下也能匹配或超越临床医生的预测。我们对模型可解释性的探索揭示，随机模型生成更多样化且个性化的解释，从而凸显了在真实临床环境中需要提供详细且个体化洞察的 AI 模型的需求。此外，我们强调了量化 AI 模型中不确定性的重要性，这使临床医生能够基于可靠预测做出更明智的决策。我们的研究倡导在医疗 AI 研究中优先考虑实施科学，并确保 AI 解决方案在真实临床环境中实用、有益且可持续。通过应对医疗环境中的独特挑战与复杂性，研究人员可以开发出有效改善临床实践与患者预后的 AI 模型。
引用
@article{arxiv.2311.17133,
title = {Deployment of a Robust and Explainable Mortality Prediction Model: The COVID-19 Pandemic and Beyond},
author = {Jacob R. Epifano and Stephen Glass and Ravi P. Ramachandran and Sharad Patel and Aaron J. Masino and Ghulam Rasool},
journal= {arXiv preprint arXiv:2311.17133},
year = {2023}
}