Explainable AI för Kunskapsupptäck från Medicinska Datakällor

Den föreslagna ramen kommer att baseras på tre pelare:

1. Dataintegration och indexering: Eftersom uppgifterna härstammar från flera medicinska datakällor är det viktigt att hitta lämpliga enhetliga representationer som kombinerar data på ett lämpligt sätt. Dataseten är vanligtvis mycket stora och har en komplex struktur. Därför behövs dataindexeringsmetoder för att söka i dataseten effektivt.
2. "Explainable AI": Inom hälsotillämpningar är det grundläggande viktigt att kunna förklara de förutsägelser som klassificerare för maskininlärning tillhandahåller. Förutom rättvisa, så är förklarbarhet av förutsägelser en viktigt komponent för att skapa förtroende för systemet.
3. Juridiska aspekter: För att säkerställa etisk integritet är det nödvändigt att upptäcka och förhindra oavsiktlig partiskhet inom de prediktiva modellerna.