通过神经常微分方程（NODEs）增强医疗预后中的人机协作
人工智能
2021-07-01 v2 机器学习
摘要
机器学习（ML）近来已被证明在包括医学在内的多个领域的预测与检测任务中可与专家级人类准确率相媲美。尽管有这些令人印象深刻的发现，但充分实现 ML 在医疗预后中潜力的一个关键障碍是技术接受度。近期可解释人工智能（XAI）的研究在提升某些 ML 模型的可解释性方面取得了进展，但这些努力受限于其设计固有的缺陷：它们最擅长识别系统为何失败，却难以解释模型预测在何时以及为何正确。我们认为，在专家领域中 ML 预测的可接受性受两个关键因素限制：机器的预测视野超出人类能力，以及机器预测无法将人类直觉纳入其模型。我们提出使用一种新颖的 ML 架构——神经常微分方程（NODEs）来增强人类理解并提升可接受性。我们的方法以人类认知直觉为算法设计的核心，并提供预测的分布而非单一输出。我们解释了该方法如何显著改善医疗预后等专家领域预测任务中的人机协作。我们提出了一个模型，并通过扩展文献中的一个具体示例，展示了我们的模型如何推进未来混合人机系统的愿景。
引用
@article{arxiv.2102.04121,
title = {Enhancing Human-Machine Teaming for Medical Prognosis Through Neural Ordinary Differential Equations (NODEs)},
author = {D. Fompeyrine and E. S. Vorm and N. Ricka and F. Rose and G. Pellegrin},
journal= {arXiv preprint arXiv:2102.04121},
year = {2021}
}
备注
13 pages, accepted for publication in HISI