研究人员开发了一种使用分类器链（CC）技术的病理测试推荐系统，以提高诊断效率。该系统将测试选择视为多标签分类问题，并考虑了测试之间的依赖关系。应用于从病理数据派生的自定义数据集后，带有CC的逻辑回归模型达到了98.83%的准确率，而多数投票集成模型在精确率、召回率和F1分数方面取得了良好的平衡。可解释AI（XAI）技术，特别是SHAP，被用于确保透明度和临床可解释性，证实了模型的推理与既有的医学知识一致。 AI
影响 该系统可以简化诊断流程，可能带来更快的患者护理和更一致的临床决策。
排序理由 该集群包含一篇详细介绍针对特定应用的新机器学习方法的学术论文。
- arXiv
- Classifier Chain (CC)
- Decision Tree
- Explainable AI (XAI)
- Hugging Face
- Logistic Regression
- Majority Voting
- Random Forest
- SHAP (SHapley Additive Explanations)
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
