دانلود مقاله انگلیسی رایگان:ISeeU: یادگیری عمیق قابل تفسیر برای پیش بینی مرگ و میر در بخش مراقبت های ویژه - 2019
دانلود بهترین مقالات isi همراه با ترجمه فارسی
دانلود مقاله انگلیسی یادگیری عمیق رایگان
  • ISeeU: Visually interpretable deep learning for mortality prediction inside the ICU ISeeU: Visually interpretable deep learning for mortality prediction inside the ICU
    ISeeU: Visually interpretable deep learning for mortality prediction inside the ICU

    سال انتشار:

    2019


    عنوان انگلیسی مقاله:

    ISeeU: Visually interpretable deep learning for mortality prediction inside the ICU


    ترجمه فارسی عنوان مقاله:

    ISeeU: یادگیری عمیق قابل تفسیر برای پیش بینی مرگ و میر در بخش مراقبت های ویژه


    منبع:

    Sciencedirect - Elsevier - Journal of Biomedical Informatics, 98 (2019) 103269: doi:10:1016/j:jbi:2019:103269


    نویسنده:

    William Caicedo-Torresa,b,⁎, Jairo Gutierreza


    چکیده انگلیسی:

    To improve the performance of Intensive Care Units (ICUs), the field of bio-statistics has developed scores which try to predict the likelihood of negative outcomes. These help evaluate the effectiveness of treatments and clinical practice, and also help to identify patients with unexpected outcomes. However, they have been shown by several studies to offer sub-optimal performance. Alternatively, Deep Learning offers state of the art capabilities in certain prediction tasks and research suggests deep neural networks are able to outperform traditional techniques. Nevertheless, a main impediment for the adoption of Deep Learning in healthcare is its reduced interpretability, for in this field it is crucial to gain insight into the why of predictions, to assure that models are actually learning relevant features instead of spurious correlations. To address this, we propose a deep multiscale convolutional architecture trained on the Medical Information Mart for Intensive Care III (MIMIC-III) for mortality prediction, and the use of concepts from coalitional game theory to construct visual explanations aimed to show how important these inputs are deemed by the network. Results show our model attains a ROC AUC of 0.8735 (± 0.0025) which is competitive with the state of the art of Deep Learning mortality models trained on MIMIC-III data, while remaining interpretable. Supporting code can be found at https://github.com/ williamcaicedo/ISeeU.
    Keywords: Deep learning | MIMIC-III | ICU | Shapley Values


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 16
    حجم فایل: 3354 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی