Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

ApaltAI: a web-based diagnostic system with a sequential voting architecture for detecting anthracnose and scab in avocado fruit.

Frontiers in plant science·2026
Same author

Challenges in the Classification of Cardiac Arrhythmias and Ischemia Using End-to-End Deep Learning and the Electrocardiogram: A Systematic Review.

Diagnostics (Basel, Switzerland)·2026
Same author

Maximizing Survival in Pediatric Congenital Cardiac Surgery Using Machine Learning, Explainability, and Simulation Techniques.

Journal of clinical medicine·2024
Same author

A Performance Evaluation of Convolutional Neural Network Architectures for Pterygium Detection in Anterior Segment Eye Images.

Diagnostics (Basel, Switzerland)·2024
Same author

Machine Learning Approach for Analyzing 3-Year Outcomes of Patients with Brain Arteriovenous Malformation (AVM) after Stereotactic Radiosurgery (SRS).

Diagnostics (Basel, Switzerland)·2024
Same author

System Identification Methodology of a Gas Turbine Based on Artificial Recurrent Neural Networks.

Sensors (Basel, Switzerland)·2023

相关实验视频

Updated: Jun 6, 2025

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
14:27

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

Published on: June 26, 2013

15.6K

可解释的机器学习模型用于大脑疾病:从系统审查的见解.

Mirko Jerber Rodríguez Mallma1, Luis Zuloaga-Rotta1, Rubén Borja-Rosales1

  • 1Facultad de Ingeniería Industrial y de Sistemas, Universidad Nacional de Ingeniería, Lima 15333, Peru.

Neurology international
|November 25, 2024
PubMed
概括

本综述探讨了机器学习 (ML) 对大脑疾病的可解释性. 它强调在医疗保健中需要透明的人工智能,分析了133项关于ML模型和可解释性技术的研究.

关键词:
大脑疾病 大脑疾病诊断 诊断 诊断 诊断 诊断 诊断可解释的人工智能 (XAI)医疗保健 医疗保健 医疗保健 医疗保健机器学习 (ML) 是指机器学习.预后 预后 预后危险的风险 危险的风险

更多相关视频

Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies
04:25

Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies

Published on: December 15, 2023

2.2K
Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms
08:51

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

Published on: November 1, 2019

5.6K

相关实验视频

Last Updated: Jun 6, 2025

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
14:27

Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data

Published on: June 26, 2013

15.6K
Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies
04:25

Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies

Published on: December 15, 2023

2.2K
Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms
08:51

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

Published on: November 1, 2019

5.6K

科学领域:

  • 医疗信息学 医疗信息学
  • 人工智能的人工智能
  • 神经科学是一个神经科学.

背景情况:

  • 机器学习 (ML) 模型在医疗保健中表现有前途,但它们的临床应用需要透明度.
  • 可解释性对于使用人工智能可靠的医疗决策至关重要.

研究的目的:

  • 在大脑疾病研究中系统地审查ML模型的应用和解释性.
  • 确定在这个领域中使用的常见的ML模型和可解释性技术.

主要方法:

  • 在Web of Science,Scopus和PubMed数据库中进行了系统的文献搜索.
  • 包括2014年1月至2023年12月期间发表的研究.
  • 从最初的682项研究中分析了133项相关研究.

主要成果:

  • 该审查确定了11种不同的ML模型和12种可解释性技术,应用于20种不同的脑疾病.
  • 可解释AI (XAI) 对于验证神经学研究中的ML越来越重要.

结论:

  • 可解释性是ML在脑疾病诊断和研究中可靠实施的关键因素.
  • 进一步的研究可以专注于开发和应用复杂的神经疾病的先进可解释性方法.