迷雾何时散去？论机器学习在医学应用中的可解释性：一篇综述

人工智能正提供令人惊叹的结果，而医学正是其最青睐的试验场之一。几十年内，计算机或许能够给出诊断并选择正确疗法，机器人可执行外科手术，对话智能体可作为虚拟教练与患者交互。机器学习，尤其是深度神经网络，是这场革命背后的力量。在此情形下，重要决策将由从所给数据中学得预测模型的独立机器控制。医学中最具挑战性的目标包括癌症诊断与治疗，但要开启这场革命，软件工具需被改造以满足新要求。就此意义而言，学习工具正成为 Python 与 Matlab 库（仅举两例）中的常用品，但为充分利用其可能性，充分理解模型如何被解释以及哪些模型更具可解释性至关重要。本综述中，我们分析当前应用于医学——具体为癌症研究——的机器学习模型、框架、数据库及其他相关工具，并讨论其可解释性、性能与所需输入数据。现有证据表明，ANN、LR 与 SVM 被观察到为首选模型。此外，受 GPU 与张量导向编程库快速发展的支持，CNN 正变得日益重要。然而，医生对结果的可解释性极少被考虑，这是需改进的一个因素。因此我们视本研究对该问题为一及时贡献。