Selecting Interpretability Techniques for Healthcare Machine Learning models

要約

医療分野では、いくつかの意思決定シナリオにおいて医療専門家を支援するために、解釈可能なアルゴリズムを採用することが追求されています。
予測的、記述的、関連性 (PDR) フレームワークに従って、解釈可能な機械学習を、データに含まれる関係、またはモデルによって学習された、その機能に関連する関係を明示的かつ単純なフレームで決定する機械学習モデルとして定義します。
トレーニング後に解釈可能性を獲得する事後的なモデルの分類、またはアルゴリズム設計に本質的に埋め込まれているモデルベースによるモデルの分類。
このような目的に使用できる、ポストホックおよびモデルベースの両方の 8 つのアルゴリズムの選択の概要を説明します。

要約(オリジナル)

In healthcare there is a pursuit for employing interpretable algorithms to assist healthcare professionals in several decision scenarios. Following the Predictive, Descriptive and Relevant (PDR) framework, the definition of interpretable machine learning as a machine-learning model that explicitly and in a simple frame determines relationships either contained in data or learned by the model that are relevant for its functioning and the categorization of models by post-hoc, acquiring interpretability after training, or model-based, being intrinsically embedded in the algorithm design. We overview a selection of eight algorithms, both post-hoc and model-based, that can be used for such purposes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google