Expert Study on Interpretable Machine Learning Models with Missing Data

要約

本質的に解釈可能な機械学習 (IML) モデルは、臨床上の意思決定に貴重な洞察を提供しますが、特徴に欠損値がある場合には課題に直面します。
代入や不完全なレコードの除外などの古典的なソリューションは、テスト時に値が欠落しているアプリケーションには適さないことがよくあります。
この研究では、フランス全土の 29 の外傷センターの 71 人の臨床医を対象に、医療専門家と欠損値データに適用される IML との相互作用を研究するための 20 件の完全回答を含む調査を実施しました。
これにより、臨床機械学習において欠損データがどのように解釈されるかについて貴重な洞察が得られました。
私たちは、3 つのクラスの方法から IML モデルを採用する参加者の意欲と準備を評価するための具体例として出血性ショックの予測を使用しました。
私たちの調査結果は、臨床医は解釈可能性を重視し、一般的な IML 手法に精通している一方で、古典的な代入手法は直感と一致しないことが多く、欠損値をネイティブに処理するモデルが好まれることを示しています。
これらの結果は、人間とコンピューターの相互作用を改善するために、臨床的直観を将来の IML モデルに統合する必要性を強調しています。

要約(オリジナル)

Inherently interpretable machine learning (IML) models provide valuable insights for clinical decision-making but face challenges when features have missing values. Classical solutions like imputation or excluding incomplete records are often unsuitable in applications where values are missing at test time. In this work, we conducted a survey with 71 clinicians from 29 trauma centers across France, including 20 complete responses to study the interaction between medical professionals and IML applied to data with missing values. This provided valuable insights into how missing data is interpreted in clinical machine learning. We used the prediction of hemorrhagic shock as a concrete example to gauge the willingness and readiness of the participants to adopt IML models from three classes of methods. Our findings show that, while clinicians value interpretability and are familiar with common IML methods, classical imputation techniques often misalign with their intuition, and that models that natively handle missing values are preferred. These results emphasize the need to integrate clinical intuition into future IML models for better human-computer interaction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google