DynSHAP 框架提升动态生存分析可解释性
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究人员提出 DynSHAP 框架，旨在解决深度学习动态生存分析模型因黑箱特性难以被临床采纳的问题。该方法将时间-特征对视为博弈参与者，扩展了 SHAP 估算器以适应纵向、不规则输入及功能性生存输出。引入的 Temporal DynSHAP 能学习特征随时间的线性依赖，并通过条件采样处理。在合成数据测试中，该方法在恢复时间依赖特征方面优于现有边际估算器；在真实临床数据集上的应用显示，其能忠实反映模型学习过程，帮助专家识别驱动预测的关键信息及其时间点。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载解决模型黑箱问题
深度学习模型在动态生存分析中虽然通过结合纵向患者数据取得了较强的预测性能，但其黑箱特性限制了临床上的信任与采用。现有的可解释性方法无法同时处理纵向、不规则输入以及功能性生存输出，这限制了它们在动态生存分析中的实用性。针对这一痛点，研究人员提出了专门适用于动态生存分析的 SHAP 框架——DynSHAP。
技术实现与改进
DynSHAP 的核心在于将时间-特征对视为 Shapley 博弈中的参与者，从而将常见的边际 SHAP 估算器扩展到这一特定设置中。此外，研究人员进一步引入了 Temporal DynSHAP，该变体能够学习特征随时间的线性依赖关系，并利用条件采样在解释过程中解决这些依赖问题。这种设计旨在更准确地捕捉和反映模型在处理时间序列数据时的决策逻辑。
实验验证与应用
在具有已知真实归因的合成数据上进行测试时，Temporal DynSHAP 在恢复时间依赖特征方面表现优于现有的边际估算器。当应用于两个真实世界临床数据集和两种动态生存分析架构时，DynSHAP 生成了忠实于模型学习的归因结果。这使得医疗专家能够清晰地看到是哪些患者信息推动了预测结果，以及这些信息在什么时间点发挥了作用。
为什么值得看
解决了医疗 AI 中动态生存模型的可解释性难题，有助于提升临床信任度。
数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。