面向医疗时序数据的可微潜状态解释
机器学习
2023-11-30 v1
摘要
机器学习能够从大型时序数据集中提取临床洞察。此类机器学习模型的应用包括识别疾病模式和预测患者结局。然而，有限的可解释性给在数字医疗中部署先进机器学习带来了挑战。理解潜状态的含义对于解释机器学习模型至关重要，前提是这些模型捕捉了潜在模式。在本文中，我们提出了一种简洁的算法，能够：i) 使用高度相关的输入特征解释潜状态；ii) 通过潜状态使用输入特征的子集解释预测；以及 iii) 解释潜状态随时间的变化。所提出的算法适用于任何可微模型。我们证明了该方法能够在真实世界医疗数据集中识别出用于预测夜间行为的日间行为模式。
引用
@article{arxiv.2311.17560,
title = {Interpreting Differentiable Latent States for Healthcare Time-series Data},
author = {Yu Chen and Nivedita Bijlani and Samaneh Kouchaki and Payam Barnaghi},
journal= {arXiv preprint arXiv:2311.17560},
year = {2023}
}