评估机器学习模型在医学诊断中的解释能力：一种人在回路方法
机器学习
2024-04-01 v1 人工智能
摘要
本文提出了一项关于评估机器学习模型解释能力的综合研究，重点使用胰腺癌数据集对决策树、随机森林和 XGBoost 模型进行评估。我们采用人在回路相关技术和医学指南作为领域知识来源，以确定与制定胰腺癌治疗方案相关的不同特征的重要性。这些特征不仅用作机器学习模型的降维方法，还作为利用模型无关和模型相关可解释性技术评估不同模型可解释性能力的一种方式。为便于解释性结果的解读，我们提出使用相似性度量，如加权 Jaccard 相似系数。其目标不仅是选择性能最佳的模型，还要选择能够最好地解释其结论并与人类领域知识保持一致的模型。
引用
@article{arxiv.2403.19820,
title = {Evaluating Explanatory Capabilities of Machine Learning Models in Medical Diagnostics: A Human-in-the-Loop Approach},
author = {José Bobes-Bascarán and Eduardo Mosqueira-Rey and Ángel Fernández-Leal and Elena Hernández-Pereira and David Alonso-Ríos and Vicente Moret-Bonillo and Israel Figueirido-Arnoso and Yolanda Vidal-Ínsua},
journal= {arXiv preprint arXiv:2403.19820},
year = {2024}
}