研究人员开发了一种名为 PRiSM（结构化模型中的部分响应）的新方法，可以将复杂的黑箱临床预测模型转化为易于理解的列线图。该技术捕捉了原始模型效应的形状和相互作用，从而能够进行审计和变量选择。当应用于心脏移植受者数据时，从逻辑回归、神经网络、随机森林和 XGBoost 等各种模型派生的列线图，在辨别力方面达到了非劣效性标准，并且通常保持了校准。PRiSM 方法现已作为开源 Python 包提供。 AI
影响 在关键医疗保健应用中，提高了人工智能模型的透明度和可审计性。
排序理由 该集群包含一篇学术论文，详细介绍了转换机器学习模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- explainable boosting models
- Generalized Additive Models
- logistic regression model
- neural additive models
- Neural Networks
- PRISM
- Python
- random forest
- XGBoost
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
