面向生存分析的可解释AI：一种中位数SHAP方法
机器学习
2024-02-02 v1 统计方法学
机器学习
摘要
随着机器学习被纳入常规临床实践，对适用于医学应用的可解释AI方法的需求随之而来。Shapley值因能对模型进行局部解释而引起了广泛兴趣。在此，我们证明其解释强烈依赖于汇总统计量及其估计器，这反过来定义了我们所识别的“锚点”。我们表明，使用均值锚点的惯例可能会为生存分析产生误导性解释，并引入了中位数SHAP，这是一种用于解释预测个体生存时间的黑盒模型的方法。
引用
@article{arxiv.2402.00072,
title = {Explainable AI for survival analysis: a median-SHAP approach},
author = {Lucile Ter-Minassian and Sahra Ghalebikesabi and Karla Diaz-Ordaz and Chris Holmes},
journal= {arXiv preprint arXiv:2402.00072},
year = {2024}
}
备注
Accepted to the Interpretable Machine Learning for Healthcare (IMLH) workshop of the ICML 2022 Conference