PulseAugur
中
实时 13:05:58
English(EN) X-FEMR: A Token-level Explainable Approach for Electronic Health Records Foundation Models using Transformer-based Models

新的X-FEMR方法增强了电子健康记录AI模型的可解释性

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了X-FEMR，一种用于电子健康记录基础模型（FEMR）的新型令牌级可解释性方法。这些模型虽然在临床预测任务中很有效，但通常充当黑箱，引起了对信任和偏见的担忧。X-FEMR利用基于Transformer的代理模型来近似FEMR的行为，识别有影响力的患者数据令牌，并提供对其预测贡献的见解。一项新的临床对齐指标验证了这些解释与临床公认的特征相对应，为更具可解释性和更值得信赖的临床AI提供了途径。 AI

影响 增强了电子健康记录中使用的AI模型的信任度和可解释性，可能改善临床决策。

排序理由 该集群描述了一篇详细介绍用于医疗保健的AI模型的新解释方法的 ist 研究论文。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的X-FEMR方法增强了电子健康记录AI模型的可解释性

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Jie Huang, Pengfei Yin, Zihan Xu, Daniel Capurro, Mike Conway, Ting Dang ·

    X-FEMR: A Token-level Explainable Approach for Electronic Health Records Foundation Models using Transformer-based Models

    arXiv:2607.06163v1 Announce Type: cross Abstract: Foundation Models for Electronic Health Records (FEMRs) are pretrained on large-scale structured patient data, enabling them to convert longitudinal patient trajectories into generalizable representations for diverse clinical pred…

  2. arXiv cs.AI TIER_1 English(EN) · Ting Dang ·

    X-FEMR：一种基于Transformer模型的电子健康记录基础模型的token级可解释方法

    Foundation Models for Electronic Health Records (FEMRs) are pretrained on large-scale structured patient data, enabling them to convert longitudinal patient trajectories into generalizable representations for diverse clinical prediction tasks. Despite their effectiveness, FEMRs r…

相关实体

相关话题