临床医生的需求：面向临床终端应用的可解释机器学习情境化
机器学习
2019-08-08 v2 机器学习
摘要
将机器学习（ML）模型有效转化至临床实践需要建立临床医生的信任。可解释性，即 ML 模型证明其输出合理性并协助临床医生理性化模型预测的能力，通常被理解为建立信任的关键。然而，该领域缺乏针对不同场景中可用解释的具体定义。为识别可解释性中可能促进建立对 ML 模型信任的具体方面，我们调查了来自两个不同急症护理专科（重症监护室与急诊科）的临床医生。我们利用他们的反馈来刻画可解释性何时有助于提升临床医生对 ML 模型的信任。我们进一步确定了临床医生认为对有效转化至临床实践最为相关和关键的解释类别。最后，我们辨明了用于严格评估临床可解释性方法的具体指标。通过整合临床医生与 ML 研究者之间对可解释性的认知，我们希望促进医疗健康领域对 ML 系统的认可、更广泛采纳与持续使用。
引用
@article{arxiv.1905.05134,
title = {What Clinicians Want: Contextualizing Explainable Machine Learning for Clinical End Use},
author = {Sana Tonekaboni and Shalmali Joshi and Melissa D McCradden and Anna Goldenberg},
journal= {arXiv preprint arXiv:1905.05134},
year = {2019}
}