医疗领域中的不确定性封装器：为不透明机器学习模型建立透明的实践不确定性量化
机器学习
2023-11-10 v1 人工智能
机器学习
摘要
当系统使用基于机器学习（ML）的基于数据的模型时，其结果中的错误无法排除。如果用户不清楚这些模型如何得出其决策，且错误可能具有安全相关后果，则这种情况尤为关键，医疗领域常如此。在此类情况下，使用可靠的方法来量化结果中剩余的不确定性，可使用户就进一步使用做出知情决策，并基于给定结果得出可能结论。本文以流式细胞术作为医疗领域中可从ML模型与可靠且透明的不确定性量化结合使用获益的应用，展示了不确定性封装器的适用性和实际效用。
引用
@article{arxiv.2311.05245,
title = {Uncertainty Wrapper in the medical domain: Establishing transparent uncertainty quantification for opaque machine learning models in practice},
author = {Lisa Jöckel and Michael Kläs and Georg Popp and Nadja Hilger and Stephan Fricke},
journal= {arXiv preprint arXiv:2311.05245},
year = {2023}
}