English(EN) DynSHAP: Towards Explainable Dynamic Survival Analysis

新的DynSHAP框架增强了AI在医学生存分析中的可解释性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-14 04:00

研究人员开发了DynSHAP，一个旨在为动态生存分析（DSA）模型提供可解释性的新框架。现有方法在处理患者数据的纵向性和不规则性以及DSA中常见的函数式生存输出方面存在困难。DynSHAP通过将时间-特征对视为博弈参与者来扩展SHAP（Shapley Additive exPlanations），并引入了考虑特征时间依赖性的Temporal DynSHAP，以生成更准确的解释。在合成和真实临床数据集上的初步测试表明，DynSHAP能够产生忠实的归因，使医学专家能够理解哪些患者信息在何时影响了预测。 AI

影响通过使复杂的生存分析模型更具可解释性，增强了AI在临床环境中的信任度和采用率。

排序理由该条目描述了一篇介绍特定机器学习领域可解释性新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 23 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该条目描述了一篇介绍特定机器学习领域可解释性新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Nastasya Anokhina, Jonas J\"ur{\ss}, Pietro Li\`o · 2026-09-14 04:00

DynSHAP：迈向可解释的动态生存分析

arXiv:2609.13042v1 Announce Type: new Abstract: Deep learning models for dynamic survival analysis (DSA) achieve strong predictive performance by incorporating longitudinal patient data, but their black box nature limits clinical trust and adoption. Existing explainability method…

本文如何被排名

报道来源 [1]

DynSHAP：迈向可解释的动态生存分析

相关实体

相关话题