Copertina

Review of Interpretable Machine Learning Models for Disease Prognosis

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Shen, Jinzhi, Ma, Ke
Natura:	Preprint
Pubblicazione:	2024
Soggetti:	Machine Learning
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Explainable Machine Learning Framework for Cardiovascular Disease Diagnosis and Prognosis
di: Sourov, Md. Emon Akter, et al.
Pubblicazione: (2025)

Towards Interpretability in Audio and Visual Affective Machine Learning: A Review
di: Johnson, David S., et al.
Pubblicazione: (2023)

Interpretable Machine Learning in Physics: A Review
di: Wetzel, Sebastian Johann, et al.
Pubblicazione: (2025)

Interpretable Multiple Myeloma Prognosis with Observational Medical Outcomes Partnership Data
di: Rachidi, Salma, et al.
Pubblicazione: (2026)

Early Mortality Prediction in ICU Patients with Hypertensive Kidney Disease Using Interpretable Machine Learning
di: Si, Yong, et al.
Pubblicazione: (2025)

AutoPrognosis 2.0: Democratizing Diagnostic and Prognostic Modeling in Healthcare with Automated Machine Learning
di: Imrie, Fergus, et al.
Pubblicazione: (2022)

GAMformer: Bridging Tabular Foundation Models and Interpretable Machine Learning
di: Mueller, Andreas, et al.
Pubblicazione: (2024)

Beyond Model Interpretability: Socio-Structural Explanations in Machine Learning
di: Smart, Andrew, et al.
Pubblicazione: (2024)

Physics-Inspired Interpretability Of Machine Learning Models
di: Niroomand, Maximilian P, et al.
Pubblicazione: (2023)

Fairness-Aware Interpretable Modeling (FAIM) for Trustworthy Machine Learning in Healthcare
di: Liu, Mingxuan, et al.
Pubblicazione: (2024)

On the Hyperparameter Loss Landscapes of Machine Learning Models: An Exploratory Study
di: Huang, Mingyu, et al.
Pubblicazione: (2023)

Analytical Discovery of Manifold with Machine Learning
di: Shen, Yafei, et al.
Pubblicazione: (2025)

Policy Trees for Prediction: Interpretable and Adaptive Model Selection for Machine Learning
di: Bertsimas, Dimitris, et al.
Pubblicazione: (2024)

Interpreting Black-box Machine Learning Models for High Dimensional Datasets
di: Karim, Md. Rezaul, et al.
Pubblicazione: (2022)

SHAPCA: Consistent and Interpretable Explanations for Machine Learning Models on Spectroscopy Data
di: Zhang, Mingxing, et al.
Pubblicazione: (2026)

Probabilistic Scoring Lists for Interpretable Machine Learning
di: Hanselle, Jonas, et al.
Pubblicazione: (2024)

Dual Interpretation of Machine Learning Forecasts
di: Coulombe, Philippe Goulet, et al.
Pubblicazione: (2024)

Interpretable Machine Learning for Survival Analysis
di: Langbein, Sophie Hanna, et al.
Pubblicazione: (2024)

Higher-order Neural Additive Models: An Interpretable Machine Learning Model with Feature Interactions
di: Kim, Minkyu, et al.
Pubblicazione: (2022)

Scientific Inference With Interpretable Machine Learning: Analyzing Models to Learn About Real-World Phenomena
di: Freiesleben, Timo, et al.
Pubblicazione: (2022)

Machine Learning for Synthetic Data Generation: A Review
di: Lu, Yingzhou, et al.
Pubblicazione: (2023)

Selecting Interpretability Techniques for Healthcare Machine Learning models
di: Sierra-Botero, Daniel, et al.
Pubblicazione: (2024)

A Framework for Interpretability in Machine Learning for Medical Imaging
di: Wang, Alan Q., et al.
Pubblicazione: (2023)

Imputation Uncertainty in Interpretable Machine Learning Methods
di: Golchian, Pegah, et al.
Pubblicazione: (2025)

General Machine Learning Models for Interpreting and Predicting Efficiency Degradation in Organic Solar Cells
di: Valiente, David, et al.
Pubblicazione: (2024)

Knowledge-Informed Machine Learning for Cancer Diagnosis and Prognosis: A review
di: Mao, Lingchao, et al.
Pubblicazione: (2024)

Development of Machine Learning Classifiers for Blood-based Diagnosis and Prognosis of Suspected Acute Infections and Sepsis
di: Buturovic, Ljubomir, et al.
Pubblicazione: (2024)

Interpretable and Explainable Machine Learning Methods for Predictive Process Monitoring: A Systematic Literature Review
di: Mehdiyev, Nijat, et al.
Pubblicazione: (2023)

Beyond Shapley Values: Cooperative Games for the Interpretation of Machine Learning Models
di: Idrissi, Marouane Il, et al.
Pubblicazione: (2025)

Integrating White and Black Box Techniques for Interpretable Machine Learning
di: Vernon, Eric M., et al.
Pubblicazione: (2024)

Machine Learning on Dynamic Functional Connectivity: Promise, Pitfalls, and Interpretations
di: Ding, Jiaqi, et al.
Pubblicazione: (2024)

Physics-Aware Machine Learning for Seismic and Volcanic Signal Interpretation
di: Thorossian, William
Pubblicazione: (2026)

DeepSelective: Interpretable Prognosis Prediction via Feature Selection and Compression in EHR Data
di: Zhang, Ruochi, et al.
Pubblicazione: (2025)

Procedural Fairness in Machine Learning
di: Wang, Ziming, et al.
Pubblicazione: (2024)

Interpretability of Statistical, Machine Learning, and Deep Learning Models for Landslide Susceptibility Mapping in Three Gorges Reservoir Area
di: Chen, Cheng, et al.
Pubblicazione: (2024)

Interpretable Machine Learning for TabPFN
di: Rundel, David, et al.
Pubblicazione: (2024)

Interpretable Machine Learning for Kronecker Coefficients
di: Butbaia, Giorgi, et al.
Pubblicazione: (2025)

On the Relationship Between Interpretability and Explainability in Machine Learning
di: Leblanc, Benjamin, et al.
Pubblicazione: (2023)

Investigating the Duality of Interpretability and Explainability in Machine Learning
di: Garouani, Moncef, et al.
Pubblicazione: (2025)

Industrial Machines Health Prognosis using a Transformer-based Framework
di: Poland, David J, et al.
Pubblicazione: (2024)