亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

可解釋性是構建可信人工智能系統的必要元素。來自普渡大學等幾位學者在SIGMOD2022《可解釋的人工智能》教程，130+PPT闡述XAI的基礎、應用、機會，非常值得關注！

算法決策系統被成功地應用于各種領域的不同任務。雖然算法決策的潛在好處很多，但信任這些系統的重要性直到最近才引起關注。人們越來越擔心這些系統復雜、不透明、不直觀，因此難以信任。最近，人們對可解釋人工智能(XAI)的興趣重新升溫。XAI旨在通過解釋模型的行為、預測或兩者兼有來減少模型的不透明性，從而使人類能夠仔細檢查并信任模型。近年來，針對模型的可解釋性和透明性問題，出現了一系列的技術進步和解釋方法。在本教程中，我們將介紹這些新穎的解釋方法，描述它們的優勢和局限性，將現有工作與數據庫(DB)社區聯系起來，并列舉在XAI環境下進行數據管理研究的機會。

引言

人工智能(AI)系統越來越多地用于關鍵領域的決策，如醫療保健、刑事司法和金融。然而，這些系統的不透明性和復雜性構成了新的威脅。越來越多的人擔心，這些系統的不透明可能會造成培訓數據[37]中反映的系統性偏見和歧視，從而損害分布在不同社會階層的利益攸關方。這些對透明度的呼吁重新激起了人們對可解釋人工智能(XAI -參見[50]最近的一項調查)的興趣，它旨在為算法決策系統的結果或過程提供人類可以理解的解釋。

XAI方法的發展受到技術、社會和倫理目標的推動[9,14,36,38,44]: (1)通過建立對決策結果的信任，提高社會對基于機器學習(ML)的決策算法的接受程度;(2)為用戶提供可操作的見解，以在未來改變算法的結果;(3)促進識別偏見和歧視等危害來源;(4)通過識別導致不利和意外行為的訓練數據中的錯誤或偏差，提供調試ML算法和模型的能力。政府法規要求企業使用自動化決策系統向最終用戶解釋其決策，進一步加劇了這一問題的緊迫性[1,16]。最近，人們提出了幾種方法來解釋ML模型的行為或預測。這些方法可以大致分為以下幾類:(a)可解釋性是通過設計(內在)還是通過事后系統分析(外在)實現的，(b)方法是否假設訪問系統內部(模型相關)或可以應用于任何黑箱算法系統(模型無關)，以及(c)方法生成的解釋是否迎合對單個實例的預測(局部)，解釋模型的整體行為(全局)或介于這兩個極端之間。

在本教程中，我們將詳細介紹當代XAI技術，并強調它們的優點和局限性。與現有的XAI教程相比，我們將在數據庫社區的背景下討論XAI的范圍，并概述一組利用XAI進展的數據管理研究的挑戰和機會，并為XAI研究的挑戰做出貢獻。本教程的學習結果如下。

• (1) 了解XAI技術的概況。
• (2) XAI技術與數據管理社區現有技術之間的聯系。
• (3) 暴露之前XAI提案的關鍵漏洞，以及數據管理技術如何在許多情況下提供幫助。
• (4) 接觸到一些新的機會，利用基于數據來源和因果推理的技術來解釋模型行為和調試AI管道。

涵蓋范圍

根據現有XAI技術[50]生成的結果，可以根據多個維度來解釋模型及其預測。目前有各種各樣的技術可以解決這些可解釋性的不同維度。例如，一些方法提供了代表用于訓練模型的數據的特征的全面總結，一些返回數據點以使模型可解釋，一些用固有的可解釋模型來近似模型，等等。本教程分為五個主題，涵蓋了這些不同維度的代表性技術。每個專題的內容總結如下。

2.1基于特征的解釋

解釋黑盒模型的一種常見方法是將模型輸出的責任歸因于它的輸入。這種方法類似于提供輸入特征的重要性。例如，在線性回歸的情況下，學習線性方程中的特征的系數可以作為特征重要性的指標。為訓練數據中的所有特征分配一個實數的最終目標可以通過多種方式實現。此外，該數字還可以表示該特征影響的程度和方向。我們將在本教程中介紹以下特征屬性方法。

2.2 基于規則的解釋

基于特征屬性的方法為每個特征值分配一個實值重要性分數。相反，基于規則的解釋生成一組規則作為對模型行為的解釋。輸出規則集滿足一個共同屬性，即只要遵守這些規則，模型就會提供一個特定的結果。理想情況下，這些規則應該簡明扼要，并適用于大量數據點。較長的規則(超過5個從句)是不可理解的，而非常具體的規則是不可概括的。錨[54]是一種試圖生成簡短且廣泛適用的規則的方法。它使用一種基于多武裝匪徒的算法來搜索這些規則。Lakkaraju等人使用可解釋的決策集來獲得一組if-then規則，這些規則可以用來解釋黑盒模型[43]。它們的目標函數旨在平衡和優化這些決策集的準確性和可解釋性。

2.3 基于訓練數據的解釋

與特征歸因方法相比，基于訓練數據的方法將ML算法的輸出歸為訓練數據集[10]的特定實例。基于數據的解釋的核心思想是，訓練數據影響模型，從而間接影響模型預測的結果。為了理解模型的預測，基于數據的解釋可以將模型參數和預測追溯到用于訓練模型的訓練數據。這些方法不是根據數據的特征(例如，年齡，性別等)，而是根據特定的數據點(例如，列舉20個數據點負責特定的模型輸出)來解釋模型的行為。基于數據的解釋有助于調試ML模型，理解和解釋模型行為和模型預測。在本教程中，我們將介紹以下基于訓練數據的方法。

2.4 對非結構化數據的解釋

深度學習已經非常成功，特別是在圖像分類和涉及圖像和文本的語言翻譯等任務中。盡管現有的XAI方法主要關注結構化數據，但在解釋ML模型預測優于非結構化數據方面已經取得了重大進展。例如，對圖像分類模型的解釋可以在各種名稱下找到，如敏感性地圖、顯著性地圖、像素屬性地圖、基于梯度的屬性方法、特征相關性、特征屬性和特征貢獻[50]。這些解釋通常會根據輸入像素對分類結果的重要性突出并排序。然而，單個像素可能對分類器的結果沒有很大的直接影響，但可以通過貢獻神經網絡從原始像素學習到的抽象特征和概念，間接影響其結果。已有研究表明，這些方法的計算成本很高，而且極易引起誤解、脆弱和不可靠[2,22,52]。類似地，可以將LIME[53]應用于文本數據，以識別解釋文本分類模型結果的特定單詞。計算機視覺中另一種流行的解釋類型是反事實解釋，這種解釋是通過改變圖像的最小區域產生的，從而導致分類結果的改變[72]。在本教程中，我們將關注結構化數據，因為它與DB社區更相關。

[1] 2016. Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016 on the protection of natural persons with regard to the processing of personal data and on the free movement of such data, and repealing Directive 95/46/EC (General Data Protection Regulation). (2016). [2] Julius Adebayo, Justin Gilmer, Michael Muelly, Ian J. Goodfellow, Moritz Hardt, and Been Kim. 2018. Sanity Checks for Saliency Maps. In Advances in NeuralInformation Processing Systems 31: Annual Conference on Neural Information Processing Systems 2018, NeurIPS 2018, December 3-8, 2018, Montréal, Canada, Samy Bengio, Hanna M. Wallach, Hugo Larochelle, Kristen Grauman, Nicolò Cesa-Bianchi, and Roman Garnett (Eds.). 9525–9536. [3] Rakesh Agrawal, Tomasz Imieliński, and Arun Swami. 1993. Mining association rules between sets of items in large databases. In Proceedings of the 1993 ACM SIGMOD international conference on Management of data. 207–216. [4] Rakesh Agrawal, Ramakrishnan Srikant, et al. 1994. Fast algorithms for mining association rules. PVLDB.

新技術可以對無癥狀的酒精相關肝病進行無創檢測和分期；進一步完善這種方法可以改變臨床管理并改善患者的預后。

酒精相關肝病（ALD）是全球肝病的主要原因之一，占與肝硬化有關的死亡人數的四分之一以上。脂肪變性、酒精性肝炎和纖維化是明顯的組織病理學特征，標志著ALD向肝硬化的發展，然而這種發展往往是無癥狀和非特異性的，這使得早期診斷極具挑戰性。ALD經常是通過異常的肝臟測試結果或影像學診斷的，而且準確的風險評估需要綜合各種數據模式的信息，包括生化、放射和基于活檢的組織學數據。盡管使用血清生物標志物和放射學參數的無創評估被廣泛用于描述晚期肝病的特征，但這些測試對于早期ALD的準確性較低。

最近，分子分析能力的進步為開發用于早期檢測ALD的微創生物標志物提供了新的機會，這可以為有效的臨床干預提供一個窗口。在本期《Nature Medicine》雜志中，Niu等人采用了一種配對的蛋白質組學方法--使用肝臟組織和血漿--結合機器學習來確定早期ALD的診斷和預后生物標志物。

作者對確診的無癥狀ALD患者和健康對照研究參與者的肝臟和血漿樣品進行了基于質譜（MS）的蛋白質組學分析。他們將這些數據與組織學、影像學和臨床數據結合起來，以確定血漿中存在的與疾病相關的蛋白質特征，然后使用機器學習來生成能夠檢測ALD中脂肪變性、炎癥和纖維化的新型生物標志物。相對于現有的非侵入性評估，這些蛋白質組學模型在識別這三個關鍵特征方面表現出明顯的改善或至少具有競爭力。這些模型在一個獨立的隊列中得到了驗證，并根據電子健康記錄的結果，證明了預測肝臟相關事件和死亡率的高預后準確性。

傳統上，ALD患者都是以晚期疾病的階段出現的，臨床決策是由預測模型指導的，這些模型結合了常規的結構化臨床數據和統計方法，如Cox回歸。流行的模型，包括MELD（終末期肝病模型）評分系統和Maddrey的判別函數，是可以使用的，但并不完美，在不同的臨床情況和疾病階段，其應用和可解釋性是有限的。現在，新技術（包括但不限于蛋白質組學）已經擴大了將數據驅動的洞察力整合到整個ALD患者的護理中的工具包。

取得這些進展的同時，人工智能（AI）也被采用，成為合成和分析大型數據集的有效工具。近年來，研究人員已經應用機器學習來改善肝病的篩查、診斷和預后結果。例如，機器學習已經能夠通過分析常規生化指標來檢測普通人群中的非酒精性脂肪肝，量化與丙型肝炎有關的肝硬化患者的肝細胞癌風險，并通過使用心電圖數據來識別肝硬化的存在和嚴重程度。此外，機器學習已被用于自動識別組織學圖像，并根據放射學數據預測肝細胞癌化療的反應。

正如Niu等人所展示的那樣，人工智能和 "組學 "技術的綜合力量提供了一個重要的機會，可以匯總和整合微創的數據模式，為整個肝臟疾病提供綜合護理。與傳統模型相比，新的建模技術不僅顯示出更好的診斷和預后性能，而且還顯示出為ALD患者推進個性化醫療的潛力。我們可以設想，在未來的醫療服務中，通過對臨床文件的自然語言處理，一個健康的人被確定為有患ALD的風險，這是基于有害飲酒的歷史。縱向監測與來自生命體征、實驗室測量、成像和其他無創模式的補充數據可以通過機器學習工具進行合成，以生成一個關于該人的疾病階段、ALD進展風險和基于治療的預測結果的全面概況。鑒于數字化轉型、計算速度和測序技術的快速發展，這個愿景并不遙遠。然而，為了通過使用無創方法實現這種個性化，大規模多模式整合新型生物標志物將是至關重要的。該領域的進展將需要各領域的臨床醫生、生物信息學專家和數據工程師之間的協同合作，以解決在數據可用性、機器學習架構以及模型可重復性和可解釋性方面出現的挑戰。

Niu等人的研究中向這個未來邁出了一步。他們的研究為基于質譜的高通量技術和機器學習的可行性提供了寶貴的概念證明，以從單一血液樣本中產生新的診斷和預后信息。在將血漿樣本與肝臟組織配對并與縱向臨床結果數據整合后，作者產生了生物學見解，并驗證了一組蛋白質生物標志物，以支持微創模型的開發，為ALD的早期識別和管理提供信息。他們的方法進一步強調了質譜在這方面的好處。質譜法的優勢是在大的動態范圍內對許多目標進行量化，并具有高特異性，而其他技術，如免疫親和法和比色法，則受到目標限制、交叉反應和有限的線性參考范圍的阻礙。通過使用大型分析小組，質譜法還可以捕捉到個體的異質性和多樣性，提高顆粒度，有助于提高對疾病發病機制的理解，解決臨床測試和研究中的偏差，并提高結果的普遍性。基于質譜的技術的局限性包括儀器的勞動力和資本的高成本，與傳統的醫療點測定相比，它降低了可及性和效率。然而，技術的改進使檢測組件的小型化和自動化成為可能，這將使質譜操作的范圍更廣。

蛋白質組學和人工智能在滿足早期ALD的診斷和預后的關鍵需求方面已經顯示出影響。即便如此，對整個ALD的綜合管理將需要整合多模態數據、創新的計算技術和開發新的數據基礎設施，以適應規模化的吞吐量。預計在肝病患者的護理中會出現更多的模式，包括代謝組、微生物組以及由一系列移動應用和可穿戴設備產生的新型生物標志物。這類數字生物標志物將越來越多地被用于了解個體患者的行為和生理，以預測臨床結果和疾病的發展。獨特的病理生理學和一系列宿主和環境因素的影響，使得ALD在多模式護理轉變方面的時機已經成熟。從需要改進的診斷生物標志物到基于治療反應的定制干預，需要進一步的研究來推動該領域在護理的所有方面走向個性化醫療的未來。

參考資料 * Wu, T., Cooper, S.A. & Shah, V.H. Omics and AI advance biomarker discovery for liver disease. Nat Med 28, 1131–1132 (2022). //doi.org/10.1038/s41591-022-01853-9 * Ioannou, G.N., Tang, W., Beste, L.A., Tincopa, M.A., Su, G.L., Van, T., Tapper, E.B., Singal, A.G., Zhu, J. and Waljee, A.K., 2020. Assessment of a deep learning model to predict hepatocellular carcinoma in patients with hepatitis C cirrhosis. JAMA network open, 3(9), pp.e2015626-e2015626. * Boehm, K.M., Khosravi, P., Vanguri, R., Gao, J. and Shah, S.P., 2022. Harnessing multimodal data integration to advance precision oncology. Nature Reviews Cancer, 22(2), pp.114-126.

如今，在幾乎每個行業，人工智能都是機器協助人類的最有效方式之一。自人工智能誕生以來，全球范圍內的大量研究人員一直在探索人工智能在醫學領域的應用。雖然人工智能似乎是一個21世紀的概念，但艾倫·圖靈在20世紀40年代率先提出了第一個基礎概念。人工智能在醫學領域有大量的應用，研究人員正在不斷探索。計算機和人力資源的巨大增長加速了21世紀的進步，并將在未來許多年繼續這樣做。這篇文獻綜述將突出人工智能在醫學中的新興領域及其當前的發展水平。

//www.zhuanzhi.ai/paper/d25e4962b98b1e948c6eee475b3c45f1

引言

人工智能，包括機器學習和深度學習，是一個研究領域，它關注的是機器的發展，這些機器可以執行通常需要人類智能的功能，如視覺感知、語音識別、決策、以及不同語言之間的語言翻譯(Hamet and Tremblay 2017)。人工智能的目標之一是開發能夠感知、學習、推理和行為方式與人類相同的機器。在過去的幾年里，人工智能領域出現了巨大的增長。金融服務、教育和醫療只是從它們的使用中受益的幾個行業。它也被用于開發能夠完成各種任務的機器人。

毫無疑問，醫學是將從人工智能集成中獲得巨大收益的主要行業之一。分析是醫學的一個關鍵元素，通常由醫生進行，他們也是人。與人類不同，人工智能能夠快速處理大量數據。雖然人類一次只能專注于一兩個任務，但人工智能能夠分析大量數據并發現潛在的模式。人工智能的另外兩個特點是機器學習和適應新環境。此外，它還能夠從其他人工智能系統的錯誤中學習，并將這些信息應用于未來的性能改進。目前的研究趨勢表明，人工智能可能用于各種醫療應用(Buch et al. 2018)。其用途可能從基本的生物學數據測量到數據分析和疾病診斷。

從這篇文獻綜述中可以得出結論，人工智能在醫學中的使用總是朝著更專業的用途而不是更普遍的應用發展。具體來說，研究中的許多出版物表明，他們為了自己的目的修改或開發了新的機器學習算法。因此，未來對人工智能在醫學領域應用的研究，預計將更側重于針對特定醫療問題的新算法的開發，而不是通用人工智能系統的開發。未來的發展也有可能以患者為中心，而不是以醫生為中心，這意味著人工智能的目標將是幫助患者，而不是減輕醫生的職責。

心肺

從癌癥到肺動脈高壓治療小分子的計算再利用(Negi et al. 2021)

本研究基于EDDY (Evaluation of differential dependency)開發了一種名為“EDDY- ctrp - ph”的差異依賴網絡(differential dependency network, DDN)，連接癌細胞中與藥物反應相關且與肺動脈高壓狀態重疊的基因。該網絡被用來重新分類可能用于非癌癥疾病的癌癥藥物。

使用人工智能生物電子藥物動態檢測和逆轉心肌缺血(Ganzer et al. 2022)

本研究是一種人工神經網絡(ANN)的概念證明，它補充了心肌感覺網絡，通過解碼心血管病理生理特征，并通過ANN控制的迷走神經刺激(VNS)逆轉心肌缺血，從而可靠地檢測心肌缺血。

**人工智能與COVID-19:深度學習診斷和治療方法(Jamshidi et al. 2020) **

本文評估了幾種基于AI的技術的概念結構，以協助制定COVID-19的診斷和治療方案。不同類型的人工神經網絡(ANN)的各種應用旨在幫助簡化COVID-19的常規診斷方法。

**COVID-19 Artificial Intelligence diagnosis using only cough recordings (Laguarta et al. 2020) **

該研究強調使用咳嗽記錄分析技術進行基于人工智能的COVID-19診斷，這可能會彌補當前COVID-19檢測標準——實時RT-PCR的不足。咳嗽錄音已被證明是有效的，快速的，簡單的，無創的，廉價的。這使個人有資格獲得移動或遠程診斷，這可能導致快速轉診診斷和治療。

醫療影像系統

基于可解釋人工智能模型的定量相似性，對胸部X射線圖像進行精確的自動標記(Kim等人，2022a)

本文建立了一個可解釋的人工智能模型XAI，該模型可以根據與訓練集的定量相似度對胸部X射線圖像進行可靠的分類。模型是完全可調的，通過調整原始模型，可以對模型進行性能再訓練、保存或增強。

基于錐形束CT圖像的牙齒和牙槽骨分割的全自動AI系統(Cui et al. 2022)

本文開發了一種完全自動化的錐形束計算機斷層掃描(CBCT)圖像分割，使用基于深度學習的人工智能(AI)系統來區分單個牙齒和牙槽骨。自動感興趣區域(ROI)識別用于實現完全自動化的分割。目前的技術，如牙網和CGDNet，需要操作員手工定義ROI，因此，不是完全自動化的。

腫瘤學

一種基于感知的檢測癌癥生物標志物的納米傳感器平臺(Yaari et al. 2021)

本研究旨在克服在基于感知的傳感系統中經常使用的一對一識別的局限性。該研究團隊構建了基于DNA-SWCNT (SWCNT:單壁碳納米管)的光致發光傳感器陣列，采用機器學習算法結合光學響應訓練來識別生物體液中的婦科癌癥生物標志物。

Artificial intelligence for diagnosis and Gleason grading of prostate cancer: the PANDA challenge (Bulten et al. 2022) * Brain tumor detection using statistical and machine learning method (Amin et al. 2019) * Detection of ovarian cancer via the spectral fingerprinting of quantum-defect-modified carbon nanotubes in serum by machine learning (Kim et al. 2022b) * Lung and pancreatic tumor characterization in the deep learning era: novel supervised and unsupervised learning approaches (Hussein et al. 2019) * Machine learning analysis of DNA methylation profiles distinguishes primary lung squamous cell carcinomas from head and neck metastases (Jurmeister et al. 2019) * Metabolic detection and systems analyses of pancreatic ductal adenocarcinoma through machine learning, lipidomics, and multi-omics (Wang et al. 2021) * Morphological and molecular breast cancer profiling through explainable machine learning (Binder et al. 2021) * Predicting and characterizing a cancer dependency map of tumors with deep learning (Chiu et al. 2021) * Predictions of cervical cancer identification by photonic method combined with machine learning (Kruczkowski et al. 2022) * Toward robust mammography-based models for breast cancer risk (Yala et al. 2021) * Tumor-specific cytolytic CD4 T cells mediate immunity against human cancer (Cachot et al. 2021)

病理生理學

一種用于發現體細胞突變的機器學習方法(Wood et al，2018)

該研究建立了一種基于機器學習的技術，名為“腦波強化器”(Cerebro)，用于識別優于傳統實驗驗證方法的腫瘤變化。該技術增加了排除錯誤改變的可能性，同時最大限度地提高了檢測TCGA(癌癥基因組圖譜計劃)數據真正改變的敏感性和特異性。

Fusion of fully integrated analog machine learning classifier with electronic medical records for real-time prediction of sepsis onset (Sadasivuni et al. 2022) * The human splicing code reveals new insights into the genetic determinants of disease (Xiong et al. 2015)

制藥

**一種機器學習方法，通過異質細胞篩選確定抗瘧藥物的作用(Ashdown，2020年) 該研究開發了一種半監督機器學習架構，以評估瘧原蟲培養，并根據其形態異質性對其發展階段進行分類。惡性瘧原蟲的不同形態被定義和量化整個無性生命周期，使用該模型來描述其發展和抗瘧藥物的效果。

Combining generative artificial intelligence and onchip synthesis for de novo drug design (Grisoni et al. 2021) * Supervised learning model predicts protein adsorption to carbon nanotubes (Ouassil et al. 2022) * Systems biology and machine learning approaches identify drug targets in diabetic nephropathy (Abedi et al. 2021)

治療

潛水的甲蟲狀微型活塞，具有可逆的、快速的生物流體捕捉，用于基于機器學習的皮膚病護理(Baik等人，2021年)