Temporal Decision Trees: Model-based Diagnosis of Dynamic Systems On-Board
基于领域模型的离线推理的决策树的自动生成是在技术领域中使用基于模型的方法的优点和嵌入式应用所施加的约束之间的合理折衷。在本文中,我们扩展的方法来处理时间信息。我们引入了时间决策树的概念,它的目的是利用相关的信息,只要它被收购,我们提出了一个算法,编译这样的树基于模型的推理系统。
2011-06-26 cs.AI
Induction and Uncertainty Management Techniques Applied to Veterinary Medical Diagnosis
NASA AMES(NASA艾姆斯研究中心)
本文讨论了一个项目之间进行的计算科学系,统计学,兽医学院设计一个医疗诊断系统。医院数据库系统中的在线医疗数据已经收集了几年。许多归纳方法被用来从数据中提取知识,试图改进临床医生使用的简单诊断图表。它们还增强了经典统计方法的结果-发现许多更重要的变量。本文的第二部分描述了一个基本的贝叶斯证据合成方法,在初始阶段使用模糊事件。给出了计算结果,并与其它方法进行了比较。
2013-03-27 cs.AI
Practical Model-Based Diagnosis with Qualitative Possibilistic Uncertainty
Matra Marconi Space(马特拉·马可尼空间公司);Universite Paul Sabatier(保尔·萨巴蒂埃大学);I.R.I.T.-C.N.R.S.(法国国家科学研究中心图卢兹信息研究所)
提出了一种利用极不完整模型进行故障隔离的方法。它依赖于每个组件行为的单独描述,以及它们之间的联系,这使得推理能够集中到系统的相关部分。由于正常观测不需要解释,因此组件的行为仅限于异常传播。诊断解决方案是与观察结果一致的疾病(故障模式或异常特征),以及溯因解释。基于可能性理论的不确定性的有序表示提供了组件行为的简单的异常容忍描述。例如,我们可以区分在给定异常存在时或多或少肯定存在(或不存在)的效应和或多或少肯定存在(或不存在)的效应。一个现实的例子说明了这种方法的好处。
2013-02-20 cs.AI
Beyond Outcome Gaps: Process-Aware Fairness Diagnosis for LLM-based Multi-Agent Decision Systems
Nanjing University of Aeronautics and Astronautics(南京航空航天大学);Collaborative Innovation Center of Novel Software Technology and Industrialization(新型软件技术与产业化协同创新中心);Shandong University(山东大学);School of Software Technology, Zhejiang University(浙江大学软件学院);Ningbo Global Innovation Center, Zhejiang University(浙江大学宁波全球创新中心)
针对基于LLM的多智能体招聘决策系统,提出SCOPED-Hiring流程开展过程感知公平性诊断,发现结果平衡掩盖轨迹不公平,针对性修复可降负担且对招聘率影响极小。
2026-09-03 cs.AI
GOTM: a Goal-Oriented Framework for Capturing Uncertainty of Medical Treatments
Flinders University(弗林德斯大学)
它已被广泛认识到,不确定性是一个不可避免的方面的诊断和治疗的医疗疾病。因此,这种不确定性需要在计算机化的医学模型中加以考虑。然而,现有的医学建模技术主要集中在捕获与医学疾病诊断相关的不确定性,而忽略了治疗的不确定性。为了解决这个问题,我们已经提出了使用基于模糊的建模和描述技术来捕获治疗计划中的不确定性。我们还进一步贡献了一个正式的框架,允许面向目标的建模和分析的医疗。
2020-10-22 cs.AI
A Framework for Intelligent Medical Diagnosis using Rough Set with Formal Concept Analysis
VIT University(韦洛尔理工大学)
医学诊断过程在试图处理诊断的不同复杂方面的程度上有所不同,例如症状的相对重要性,不同的症状模式以及疾病之间的关系。在决策理论的基础上,过去的许多数学模型,如明确集,概率分布,模糊集,直觉模糊集,处理复杂的方面的诊断。但是,许多这样的模型未能包括专家决策的重要方面。因此,已作出努力,以处理不一致的数据被认为是Pawlak与粗糙集理论的引入。虽然粗糙集方法具有其他方法无法比拟的优势,但是它产生的规则太多,给决策带来很多困难。因此,最小化决策规则至关重要。本文通过预处理和后处理两个过程来挖掘合适的规则,并探索属性之间的关系。在前处理中,我们使用粗糙集理论挖掘合适的规则,而在后处理中,我们使用形式概念分析,从这些合适的规则,以探索更好的知识和最重要的影响决策的因素。
2013-01-25 cs.AI
Diagnosis of Coronary Artery Disease Using Artificial Intelligence Based Decision Support System
Universiti Teknologi PETRONAS(马来西亚石油科技大学);University California Irvine (UCI)(加州大学欧文分校);Ipoh Specialist Hospital(怡保专科医院)
本研究旨在开发一个基于证据的冠心病诊断模糊决策支持系统。冠状动脉疾病数据集取自加州大学欧文分校(UCI)。采用基于粗糙集理论的规则抽取方法作为模糊决策支持系统的知识库。然后,规则的选择和模糊化的基础上,从离散化的数值属性的信息。利用提取规则的支持度信息确定模糊规则的权重。从美国收集的UCI心脏病数据集,瑞士和匈牙利,来自马来西亚怡保专科医院的数据被用来验证所提出的系统。结果表明,该系统能够给出冠状动脉阻塞的百分比优于心脏病专家和血管造影。所提出的系统的结果进行了验证和三个专家心脏病学家的验证,被认为是更有效和有用的。
2020-07-06 cs.AI
UPAIR: Diagnosing Reasoning States via Uncertainty-Progress Alignment for Selective Intervention
University of Science and Technology of China(中国科学技术大学)
研究大型推理模型测试时的“过度思考”问题,提出相位动量对齐假设并构建认知能量模型,引入PUMA框架,通过分层诊断架构区分主动探索与被动停滞,在多基准实验中优于现有基线,实现更好的准确性-效率权衡和跨域泛化。
2026-08-12 cs.AI
A Hybrid AI and Rule-Based Decision Support System for Disease Diagnosis and Management Using Labs
CureMD Research(CureMD研究)
本文提出一种融合AI预测模型与医学知识库的临床决策支持系统,利用实验室数据推断可能诊断并建议进一步检查,通过规则和数据驱动预测结合,为医生提供诊断支持,减少误诊。
2026-03-16 cs.AI
Uncertainty-aware INVASE: Enhanced Breast Cancer Diagnosis Feature Selection
Peking University(北京大学);Virginia Military Institute(弗吉尼亚军事学院)
在本文中,我们提出了一个不确定性感知的INVASE来量化医疗保健问题的预测置信度。通过引入可学习的高斯分布,我们将它们的方差进行统计,以衡量不确定性的程度。基于vanilla INVASE,提出了两个附加模块,即,预测器中的不确定性量化模块和选择器中的奖励塑造模块。我们在UCI-WDBC数据集上进行了广泛的实验。值得注意的是,我们的方法消除了几乎所有的预测偏差,只有大约20%的查询,而不确定性不可知的对应需要近100%的查询。在https://github.com/jx-zhong-for-academic-purpose/Uncertainty-aware-INVASE/blob/main/tutorialinvase%2B.ipynb上可以找到带有详细教程的开源实现。
2021-05-04 cs.AI cs.CV cs.LG
Enhancing Cancer Diagnosis with Explainable & Trustworthy Deep Learning Models
本研究提出利用可解释人工智能和深度学习技术构建癌症诊断模型,解决了传统深度学习的黑盒问题,提升了诊断的准确性、可解释性与可及性,有望改善全球健康公平并挽救生命。
2024-12-23 cs.AI
Functional Space Variational Inference for Uncertainty Estimation in Computer Aided Diagnosis
Indian Institute of Technology, Bombay(印度理工学院孟买分校)
深度神经网络彻底改变了医学图像分析和疾病诊断。尽管它们的性能令人印象深刻,但很难为这些网络生成校准良好的概率输出,这使得它们成为不可解释的黑匣子。贝叶斯神经网络提供了一种用于对不确定性进行建模并提高患者安全性的原则性方法,但是它们具有较大的计算开销并且在校准中提供有限的改进。在这项工作中,通过以皮肤病变分类为例的任务,我们表明,通过将贝叶斯推理转移到功能空间,我们可以制作有意义的先验,以更低的计算成本提供更好的校准不确定性估计。
2020-05-28 cs.AI cs.LG stat.ML
Unified Uncertainty Estimation for Cognitive Diagnosis Models
School of Computer Science and Technology, University of Science and Technology of China(中国科学技术大学计算机科学与技术学院);State Key Laboratory of Cognitive Intelligence(认知智能国家重点实验室);Anhui Province Key Laboratory of Big Data Analysis and Application, University of Science and Technology of China(中国科学技术大学安徽省大数据分析与应用重点实验室);The University of Tennessee(田纳西大学);iFLYTEK Research(讯飞研究院);iFLYTEK AI Research (Central China)(讯飞人工智能研究(华中))
针对认知诊断模型不确定性估计效率低且难以处理复杂深度模型的问题,提出一种统一估计方法,通过统一目标函数、改进重参数化及分解不确定性来源,高效适用于多种模型与大型数据集,并经实验验证有效。
2024-03-09 cs.AI cs.CY cs.LG
Uncertainty-Aware Artificial Intelligence for Gear Fault Diagnosis in Motor Drives
Aalborg University(奥尔堡大学)
针对传统数据驱动故障诊断方法无法捕捉推理不确定性的问题,提出基于贝叶斯神经网络的电机传动齿轮故障诊断方法,将权重设为概率分布,经多场景测试验证了其鲁棒性、可解释性及不确定性量化能力。
2024-12-13 cs.AI cs.SY eess.SY
Uncertainty-Aware Longitudinal Forecasting of Alzheimer's Disease Progression Using Deep Learning
Department of Computer Science and Engineering, R.V. College of Engineering(计算机科学与工程系,R.V.工程学院);School of Computer Science, University of Nottingham(计算机科学学院,诺丁汉大学)
提出结合序数诊断预测、多时间轨迹生成和分解不确定性估计的概率框架,使用Temporal Fusion Transformer和混合密度网络预测五年轨迹,在ADNI上优于基线模型,并分离偶然与认知不确定性。
2026-06-24 cs.AI
Orchestrator Multi-Agent Clinical Decision Support System for Secondary Headache Diagnosis in Primary Care
University of Pittsburgh(匹兹堡大学);UT Southwestern Medical Center(德克萨斯大学西南医学中心);Weill Cornell Medicine(威尔康奈尔医学院)
本文提出了一种基于多代理架构的临床决策支持系统,通过协调机制提升继发性头痛诊断的准确性和可解释性。
2025-12-09 cs.AI
Towards Trustworthy AI for Glioma Diagnosis: A Task-Aware Evaluation of Uncertainty Quantification
Erasmus MC, University Medical Center Rotterdam(鹿特丹大学医学中心伊拉斯谟MC);Amsterdam UMC, University of Amsterdam(阿姆斯特丹大学医学中心阿姆斯特丹UMC);GE HealthCare(GE医疗);Erasmus MC Cancer Institute(伊拉斯谟MC癌症研究所);Medical Delta(医疗三角洲)
本研究在多任务胶质瘤诊断框架中评估不确定性量化方法,比较MCD、深度集成及其组合,发现中等丢弃率校准最佳,各方法无一致优势,为可信赖AI提供任务感知评估策略。
2026-10-01 cs.AI cs.CV
A New Medical Diagnosis Method Based on Z-Numbers
Northwestern Polytechnical University(西北工业大学);Shanghai Institute of Spaceflight Control Technology, CASC(上海航天控制技术研究所(中国航天科技集团))
如何处理医学诊断中的不确定性是一个悬而未决的问题。本文提出了一种基于Z数的决策方法。首先,专家意见用Z数表示。Z-数是表示为Z =(A,B)的模糊数的有序对。然后,提出了一种新的模糊数排序方法。在模糊数排序方法的基础上,提出了一种将Z数转化为基本概率赋值的新方法。结果,来自不同来源的信息通过Dempster的组合规则被组合。由于信息融合的优势,最终的决策更加合理。最后,通过风险分析和医疗诊断两个实验,验证了该方法的有效性。
2017-05-07 cs.AI
A logic-based decision support system for the diagnosis of headache disorders according to the ICHD-3 international classification
University of Calabria(卡拉布里亚大学);DLVSystem Srl(DLVSystem有限公司)
决策支持系统在医学领域发挥着重要作用,因为它们可以增强临床医生更有效地处理复杂的决策过程。然而,在头痛疾病的诊断中,现有的方法和工具仍然不是最佳的。一方面,为了支持对这种复杂而广泛的疾病的诊断,国际头痛协会于1988年发布了国际头痛疾病分类(ICHD),现在是第3版:一份200页的文件,对300多种不同类型的头痛进行了分类,其中每一种都是通过收集特定的非平凡诊断标准来识别的。另一方面,大量的头痛疾病及其复杂的标准使得病史处理不准确,并且对于临床医生和现有的自动工具都不详尽。为了填补这一空白,我们提出了HEAD-ASP,一种新的决策支持系统,用于诊断头痛疾病。通过REST Web服务,HEAD-ASP实现了一个符合ICHD-3的动态问卷,利用两个逻辑模块来实现完整的诊断,同时尽量减少向患者提出的问题总数。最后,HEAD-ASP可在网上免费获得,并从正在测试它的神经学家小组收到非常积极的反馈。
2020-08-06 cs.AI cs.LO
Decision under Uncertainty
Universite Libre de Bruxelles(布鲁塞尔自由大学)
我们推导出公理的概率函数,应用于作出决定,任何形式的潜在的不确定性。
2013-03-27 cs.AI
Deep Learning Based Decision Support for Medicine -- A Case Study on Skin Cancer Diagnosis
Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI)(德国人工智能研究中心);TU Kaiserslautern(凯泽斯劳滕工业大学)
早期发现黑色素瘤等皮肤癌对于确保患者的高生存机会至关重要。基于深度学习(DL)的决策支持系统(DSS)在皮肤癌筛查中的临床应用有可能提高患者护理质量。医疗AI社区的大部分工作都集中在主要与自主操作相关的诊断设置上。然而,实际的决策支持应该超越简单的诊断,并提供解释。本文提供了一个概述的工作对解释,DL为基础的决策支持在医疗应用中的皮肤癌诊断的例子,从临床,皮肤镜和组织病理学图像。分析表明,很少有人注意到组织病理学皮肤图像的解释,目前的工作主要是视觉相关图以及皮肤镜特征识别。我们的结论是,未来的工作应侧重于满足利益相关者的认知概念,提供详尽的解释,结合全球和地方的方法,并利用不同的模式。此外,在行为不端的情况下干预和指导模型的可能性被认为是成功部署人工智能作为基于DL的DSS及其他的重要一步。
2021-03-02 cs.AI cs.CV cs.LG
A Causal Bayesian Model for the Diagnosis of Appendicitis
University of Pennsylvania(宾夕法尼亚大学)
因果贝叶斯方法是基于这样的假设,即影响(例如,症状)对于某些致病因子不是条件独立的(例如,疾病)在条件上独立于由药剂引起的某些中间状态,(例如,病理状态)。本文介绍了因果贝叶斯模型诊断阑尾炎的发展。本文首先描述了标准的贝叶斯方法来推理不确定性和它所面临的主要批评。然后,本文奠定了贝叶斯方法的因果扩展的理论基础,并详细介绍了我们已经开发的具体改进。然后,本文继续描述我们的知识工程和实施和系统的测试结果。本文最后讨论了因果贝叶斯方法如何处理标准贝叶斯模型的批评,以及为什么它优于其他方法来推理流行的AI社区的不确定性。
2013-03-27 cs.AI
CDEG: Learning Decision-Critical Evidence for Long-Horizon Diagnostic Agents
本研究提出基于图的框架CDEG,通过对比同一病例的成功与失败轨迹、受控反事实干预等学习决策关键证据,在多基准测试中使长程诊断智能体准确率最高提升11.5%。
2026-10-15 cs.AI
A Constraint Satisfaction Approach to Decision under Uncertainty
IRIT - Universite Paul Sabatier(IRIT - 保罗·萨巴捷大学);INRA(法国国家农业研究院)
约束满足问题(CSP)框架为表示和解决简单的决策问题提供了一个简单而可靠的基础,没有不确定性。本文致力于CSP框架的扩展,使我们能够处理一些决策问题的不确定性。这种扩展依赖于代理可控的决策变量和不可控的参数之间的差异,其值取决于不确定事件的发生。假设参数值的不确定性以概率分布的形式给出。给出了两个算法,分别计算解决问题的最大概率的决策,和条件决策映射的最大可能数量的可能情况下,以实际的决策。
2013-02-20 cs.AI
Achievements and Challenges in Explaining Deep Learning based Computer-Aided Diagnosis Systems
Technical University of Kaiserslautern(凯泽斯劳滕工业大学);German Research Center for AI GmbH (DFKI)(德国人工智能研究中心有限公司(DFKI))
现代基于图像的人工智能方法取得了显着的成功,以及由此产生的对它们在关键决策过程中的应用的兴趣,导致了使这种智能系统透明和可解释的努力激增。对可解释的人工智能的需求不仅源于伦理和道德理由,还源于世界各地更严格的立法,要求对人工智能做出或协助的任何决定做出明确和合理的解释。特别是在计算机辅助诊断可以对患者的治疗和健康产生直接影响的医疗背景下,透明度对于从实验室研究到现实世界临床实践的安全过渡至关重要。本文对医学研究和疾病诊断应用中基于深度学习的算法进行了全面的概述。我们讨论了在开发可解释AI以验证已知疾病标准、探索新的潜在生物标志物以及随后校正AI模型的方法方面的早期成就。各种解释方法,如视觉,文本,事后,事前,本地和全球已被彻底和批判性的分析。随后,我们还强调了阻碍人工智能作为临床决策支持工具实际应用的一些剩余挑战,并为未来研究的方向提供了建议。
2020-11-26 cs.AI
Uncertainty Reasoning with Large Language Models for Explainable Disease Diagnosis
National University of Singapore(新加坡国立大学);Griffith University(格里菲斯大学)
提出一种神经符号推理框架,将大语言模型与模糊逻辑和声明式规则结合,实现可解释且形式可验证的医学诊断。
2026-05-25 cs.AI
Neural machine translation of clinical procedure codes for medical diagnosis and uncertainty quantification
Texas A&M University(德克萨斯农工大学);Massachusetts General Hospital(麻省总医院);Brookhaven National Laboratory(布鲁克海文国家实验室)
本文提出医学熵概念,利用基于ICD-9代码的神经机器翻译量化患者结果不确定性,并验证了操作与诊断序列的相关性及住院期间不确定性趋势建模的可行性。
2024-10-19 cs.AI cs.CL cs.LG
Exploring Agentic Tool-Calling Decisions via Uncertainty-Aligned Reinforcement Learning
Shanghai Jiao Tong University(上海交通大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Shanghai Innovation Institute(上海创新研究院)
针对智能体工具调用中错误累积问题,提出TRUST方法,将不确定性量化作为排斥力融入奖励设计,并标注轻量关键轮次用于多轮轨迹统一后训练,显著提升决策质量与智能体性能。
2026-06-05 cs.AI
Qualitative Models for Decision Under Uncertainty without the Commensurability Assumption
IRIT - Paul Sabatier University(IRIT - 保罗·萨巴蒂埃大学);LIP6 - Paris 6 University(LIP6 - 巴黎第六大学)
本文探讨了一个纯粹的定性版本的萨维奇的理论决策下的不确定性。到目前为止,大多数表示定理偏好行为依赖于效用和不确定性的数值表示,其中效用和不确定性是相称的。打破传统,我们放松这一假设,并引入一个纯粹的序数公理,要求决策者(DM)之间的偏好两个行为只取决于其后果的相对位置,为每个国家。在这个定性的框架内,我们确定了唯一可能的形式的决策规则,并调查了一些情况下兼容的传递性的严格偏好。最后,我们提出了一个温和的放松我们的序数公理,留下一个新的家庭的定性决策规则兼容的传递性的空间。
2013-01-23 cs.AI
Rethinking Human-AI Collaboration in Complex Medical Decision Making: A Case Study in Sepsis Diagnosis
Northeastern University(东北大学);Massachusetts Institute of Technology(麻省理工学院);The Ohio State University(俄亥俄州立大学);Rensselaer Polytechnic Institute(伦斯勒理工学院);The Ohio State University Wexner Medical Center(俄亥俄州立大学韦克斯纳医学中心)
本文以脓毒症早期诊断为例,提出人机协作AI系统应支持决策中间阶段而非仅给出最终结论,并构建SepsisLab以预测病情发展、可视化不确定性及建议补充检测,经临床评估验证其可行性。
2024-02-26 cs.AI cs.HC cs.LG
Deep Reinforcement Learning for Personalized Diagnostic Decision Pathways Using Electronic Health Records: A Comparative Study on Anemia and Systemic Lupus Erythematosus
Inria Paris(法国国家信息与自动化研究所巴黎中心);Centre de Recherche des Cordeliers(科德利埃研究所);Inserm(法国国家健康与医学研究院);Université Paris Cité(巴黎西岱大学);Sorbonne Université(索邦大学);Hôpital Necker(内克尔医院);Assistance Publique - Hôpitaux de Paris(巴黎公共医疗援助医院)
该研究将诊断建模为序列决策问题,利用DRL从含噪声和缺失的EHR中学习贫血与SLE的个性化诊断路径,在保持与传统分类器竞争力的同时提供可解释的逐步决策过程。
2024-04-09 cs.AI cs.LG
Decision-making Under Ordinal Preferences and Comparative Uncertainty
本文研究了从描述决策者(DM)的不确定性的事件(世界状态的子集)的排序和描述DM偏好的行为后果的排序的知识中找到一组行为上的偏好关系的问题。然而,与决策理论的经典方法相反,我们试图做到这一点,而不诉诸于任何效用或不确定性的数值表示,甚至不使用任何定性尺度来映射不确定性和偏好。它表明,虽然许多公理的萨维奇理论可以保留,尽管直观的呼吁的方法,用于构建一个偏好的行为,该方法是不一致的概率表示的不确定性,但导致的不确定性理论中遇到的非单调推理(特别是优惠和理性推理),密切相关的可能性理论。此外,尽管这种方法的基本原理看起来很合理,但它要么没有什么决定性,要么会导致非常危险的决策。本文提出了一个问题,纯粹的象征性的方法,在不确定性下的野蛮式决策的可能性,并获得初步的负面结果。
2013-02-06 cs.AI
Decision-Theoretic Troubleshooting: A Framework for Repair and Experiment
Microsoft Research(微软研究院)
我们开发和扩展现有的决策理论的方法来排除故障的设备。传统上,贝叶斯网络的诊断集中在信念更新-确定当前观测的各种故障的概率。在本文中,我们扩展了这种范式,包括采取行动。特别地,我们考虑三类动作:(1)我们可以像传统诊断中那样对设备的行为进行观察并推断可能的故障,(2)我们可以修复组件,然后观察设备的行为以推断可能的故障,以及(3)我们可以改变设备的配置,观察其新的行为,并推断故障的可能性。后两类故障排除动作的分析需要将持久性的概念纳入用于概率推理的信念网络形式主义。
2015-05-17 cs.AI
A Possibilistic Model for Qualitative Sequential Decision Problems under Uncertainty in Partially Observable Environments
IRIT - Universite Paul Sabatier(IRIT - 保罗·萨巴捷大学)
在这篇文章中,我们提出了一个定性(有序)部分可观察马尔可夫决策过程模型(POMDP),其中的不确定性,以及代理的偏好,建模的可能性分布。POMDP模型的这种定性对应依赖于最近开发的不确定性决策的可能性理论。这样的定性框架的一个优点是它能够摆脱随机POMDP的经典障碍,即使在有限的状态空间中,所获得的POMDP的信念状态空间是无限的。相反,在可能性框架中,即使指数地大于状态空间,信念状态空间仍然是有限的。
2013-01-23 cs.AI
Uncertainty-Aware Learning Policy for Reliable Pulmonary Nodule Detection on Chest X-Ray
Ajou University(全州大学);Ajou University Hospital(全州大学医院)
针对医学AI因知识不足导致诊断不确定、医生信任度低的问题,本文提出一种不确定性感知学习策略,在胸部X光病灶学习的同时引入医生背景知识,在亚洲大学医院数据集上灵敏度提升10%、熵降低0.2。
2025-08-18 cs.AI cs.CV eess.IV
Toward an Integrated Decision Making Framework for Optimized Stroke Diagnosis with DSA and Treatment under Uncertainty
Institut Teknologi Sepuluh Nopember (ITS)(十十一月科技学院(ITS));Universitas Islam Negeri (UIN) Syarif Hidayatullah(赛义德·希达亚图拉伊斯兰国立大学);Stanford University(斯坦福大学)
本研究针对中风诊断与治疗的不确定性挑战,提出基于POMDP的集成决策框架,结合CT、Siriraj评分与DSA报告等噪声观测,利用DESPOT求解器在诊断精度与医疗资源限制间取得平衡,优化中风管理流程。
2024-07-24 cs.AI cs.CV eess.IV
Uncertainty-aware Diffusion and Reinforcement Learning for Joint Plane Localization and Anomaly Diagnosis in 3D Ultrasound
Medical Ultrasound Image Computing (MUSIC) Lab, School of Biomedical Engineering, Medical School, Shenzhen University, Shenzhen, China The People’s Hospital of Guangxi Zhuang Autonomous Region, Nanning, China Centre for CIMIM, Manchester University, Manchester, UK School of Artificial Intelligence, Shenzhen University, Shenzhen, China National Engineering Laboratory for Big Data System Computing Technology, Shenzhen University, Shenzhen, China School of Biomedical Engineering;Informatics, Nanjing Medical University, Nanjing, China
提出一种结合不确定性感知扩散模型与强化学习的智能系统,用于三维超声中自动平面定位和先天性子宫异常诊断,实验验证其有效性。
2025-09-11 cs.AI cs.CV cs.LG
Medical Diagnosis From Laboratory Tests by Combining Generative and Discriminative Learning
Beijing University of Posts and Telecommunications(北京邮电大学);Carnegie Mellon University(卡内基梅隆大学);Tsinghua University(清华大学);Petuum Inc(Petuum公司)
计算表型研究的主要目标是进行医学诊断。在医院,医生依靠大量的临床数据来做出诊断决策,其中实验室检查是最重要的资源之一。然而,实验室测试数据的纵向和不完整性质对其解释和使用造成了重大挑战,这可能导致人类医生和自动诊断系统做出有害的决策。在这项工作中,我们利用深度生成模型来处理复杂的实验室测试。具体来说,我们提出了一个端到端的架构,涉及一个深度生成变分递归神经网络(VRNN)学习强大的和可推广的功能,和一个判别式神经网络(NN)模型学习诊断决策,这两个模型联合训练。我们的实验是在一个涉及46,252名患者的数据集上进行的,50个最常见的测试被用来预测50个最常见的诊断。结果表明,我们的模型,VRNN+NN,显着(p<0.001)优于其他基线模型。此外,我们证明了联合训练所学习到的表示比纯生成模型所学习到的表示信息量更大。最后,我们发现我们的模型为缺失值提供了一个令人惊讶的好插补。
2017-11-16 cs.AI cs.LG stat.ML
Discovery Radiomics with CLEAR-DR: Interpretable Computer Aided Diagnosis of Diabetic Retinopathy
University of Waterloo(滑铁卢大学);University of Guelph(圭尔夫大学);Canadian Institute of Advanced Research (CIFAR)(加拿大高等研究院);Vector Institute(向量研究院)
目的:近年来,放射组学驱动的计算机辅助诊断(CAD)已显示出相当大的前景,作为一种潜在的工具,用于改善医学肿瘤学中的临床决策支持,特别是那些基于发现放射组学概念的工具,其中通过分析医学成像数据发现放射组学测序仪。当前CAD方法的主要限制之一是,很难获得关于如何做出决策的见解或理由,从而限制了它们对临床医生的效用。研究方法:在这项研究中,我们提出了CLEAR-DR,一种新的可解释的CAD系统的概念的基础上的类增强的注意反应发现放射组学的目的是糖尿病视网膜病变的临床决策支持。结果如下:除了通过发现的深度放射组测序仪进行疾病分级外,CLEAR-DR系统还对决策过程进行可视化解释,以更好地了解和理解系统的决策过程。结论:我们证明了建议的CLEAR-DR系统的有效性和实用性,提高了糖尿病视网膜病变分级应用的诊断分级结果的可解释性。重要性:CLEAR-DR可以作为一个潜在的强大工具,以解决当前CAD系统的不可解释性问题,从而提高其实用性的临床医生。
2017-10-29 cs.AI cs.CV cs.NE
A Rational Decision Maker with Ordinal Utility under Uncertainty: Optimism and Pessimism
在博弈论和人工智能中,决策模型通常涉及最大化期望效用,这并不尊重顺序不变性。本文讨论了在不确定性条件下,保持序不变性而仍能作出理性决策的可能性。
2010-06-11 cs.AI cs.GT
MedClarify: An information-seeking AI agent for medical diagnosis with case-specific follow-up questions
LMU Munich(慕尼黑大学);Munich Center for Machine Learning(慕尼黑机器学习中心);Heidelberg University(海德堡大学)
MedClarify通过生成病例特定的后续问题,提升医学诊断的准确性与可靠性。
2026-02-19 cs.AI cs.LG
SimClinician: A Multimodal Simulation Testbed for Reliable Psychologist AI Collaboration in Mental Health Diagnosis
Macquarie University(麦考瑞大学)
SimClinician是一种多模态模拟平台,通过整合音频、文本和目光-表情模式,帮助心理学家在心理健康诊断中与AI协作,提升诊断的准确性和交互的流畅性。
2025-11-28 cs.AI cs.HC
Empowering Medical Multi-Agents with Clinical Consultation Flow for Dynamic Diagnosis
The School of Data Science, Fudan University(复旦大学数据科学学院);Institute of Science and Technology for Brain-Inspired Intelligence, Fudan University(复旦大学类脑智能科学与技术研究院);University of Cambridge(剑桥大学)
针对传统AI医疗系统单模态局限及基础模型动态诊断能力不足的问题,提出融合临床问诊流程与强化学习的多智能体框架,引入层级化动作集优化决策,在公开基准上实现当前最优性能。
2025-03-19 cs.AI cs.MA
Explainable Deep Image Classifiers for Skin Lesion Diagnosis
ISTI-CNR(意大利国家研究委员会信息科学与技术研究所);University of Pisa(比萨大学);Criteo AI Lab(Criteo人工智能实验室);Scuola Normale Superiore of Pisa(比萨高等师范学校)
在医疗诊断等关键背景下的一个关键问题是决策系统中采用的深度学习模型的可解释性。可解释人工智能(XAI)的研究正试图解决这个问题。然而,XAI方法通常仅在通用分类器上进行测试,并且不代表诸如医疗诊断之类的现实问题。在本文中,我们分析了皮肤病变图像的案例研究,在该案例中,我们定制了现有的XAI方法,用于解释能够识别不同类型皮肤病变的深度学习模型。该解释是由皮肤病变的合成范例和反范例图像形成的,并为从业者提供了一种突出负责分类决策的关键特征的方法。对领域专家、初学者和非熟练人员进行的一项调查证明,解释的使用增加了对自动决策系统的信任和信心。此外,潜在空间的分析所采用的解释揭示了一些最常见的皮肤病变类是明显分开的。这种现象可能源于每个类的内在特征,并且希望能够为人类专家解决最常见的错误分类提供支持。
2021-11-22 cs.AI cs.CV cs.LG
Towards Trust of Explainable AI in Thyroid Nodule Diagnosis
Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学);Quy Nhon AI, FPT Software(FPT软件归仁人工智能部)
向最终用户解释深度学习模型预测的能力是利用人工智能(AI)的力量进行医疗决策过程的重要功能,这通常被认为是不透明的,难以理解。在本文中,我们应用最先进的可解释人工智能(XAI)方法来解释黑盒AI模型在甲状腺结节诊断应用中的预测。我们提出了新的基于神经网络的XAI方法,即核密度估计和密度图,以解释没有检测到结节的情况。XAI方法的性能被认为是在定性和定量的比较作为反馈,以提高数据质量和模型性能。最后,我们调查评估医生和患者对XAI解释甲状腺结节图像模型决策的信任。
2023-03-08 cs.AI cs.CV
A Study on Mitigating Hard Boundaries of Decision-Tree-based Uncertainty Estimates for AI Models
Fraunhofer Institute for Experimental Software Engineering IESE(弗劳恩霍夫实验软件工程研究所)
数据驱动的人工智能模型的结果不能被假设总是正确的。为了估计这些结果中的不确定性,提出了不确定性包装框架,该框架考虑了与模型拟合、输入质量和范围合规性相关的不确定性。不确定性包装器使用决策树方法来聚类输入质量相关的不确定性,将输入严格分配给不同的不确定性聚类。因此,仅一个特征的轻微变化可能导致具有显著不同的不确定性的聚类分配。我们的目标是用一种方法来取代这种方法,这种方法可以减轻这些分配的硬决策边界,同时保持可解释性,运行时复杂性和预测性能。五种方法被选为候选人,并集成到不确定性包装框架。对于基于Brier评分的评估,使用CARLA模拟器和YOLOv3生成行人检测用例的数据集。所有综合办法都实现了软化,即,平滑,不确定性估计。然而,与决策树相比,它们不那么容易解释,并且具有更高的运行时复杂度。此外,Brier评分的某些组成部分受损,而其他组成部分改善。最有希望的Brier评分是随机森林。总之,软化硬决策树边界似乎是一个权衡决策。
2022-01-10 cs.AI cs.LG
Experimental Comparison of Classification Uncertainty for Randomised and Bayesian Decision Tree Ensembles
在本文中,我们实验比较的分类不确定性的随机决策树(DT)集成技术和贝叶斯DT技术与重新启动策略上的合成数据集,以及在机器学习社区常用的一些数据集。对于分类不确定性的定量评估,我们使用不确定性包络处理类后验分布和给定的置信概率。计数的分类器的结果,这种技术产生的分类不确定性的可行的评估。在我们的实验中使用这种技术,我们发现贝叶斯DT技术优于随机DT集成技术。
2005-04-11 cs.AI cs.LG
Uncertainty as a Planning Signal: Multi-Turn Decision Making for Goal-Oriented Conversation
The Ohio State University(俄亥俄州立大学)
本文提出CUP框架,通过结合语言模型与结构化规划,解决目标导向对话中不确定性与信息获取之间的平衡问题,提升对话成功率并减少交互轮次。
2026-08-13 cs.AI cs.CL
AI-Driven Clinical Decision Support System for Enhanced Diabetes Diagnosis and Management
De Montfort University(德蒙福特大学)
本文提出了一种基于人工智能的临床决策支持系统,用于高精度诊断2型糖尿病,其在预测糖尿病、糖尿病前期和高风险个体方面表现出极高的准确性。
2026-02-11 cs.AI cs.LG
Language Agents for Hypothesis-driven Clinical Decision Making with Reinforcement Learning
Technical University of Munich(慕尼黑技术大学);Munich Center for Machine Learning(慕尼黑机器学习中心)
本文提出了一种基于强化学习的假设驱动语言代理LA-CDM,用于提升临床诊断的准确性和效率。
2026-02-28 cs.AI cs.CL cs.LG
Artificial Intelligence Enhanced Rapid and Efficient Diagnosis of Mycoplasma Pneumoniae Pneumonia in Children Patients
Xiamen University(厦门大学);The University of Sydney(悉尼大学);Tsinghua University(清华大学)
人工智能方法已日益成为诊断和管理疾病的潜在强大工具。本研究利用逻辑回归(LR)、决策树(DT)、梯度提升决策树(GBDT)、支持向量机(SVM)和多层感知器(MLP)作为机器学习模型,对小儿肺炎支原体肺炎(MPP)进行快速诊断。在对MPP数据集应用预处理过程之后执行分类任务。最有效的结果是由GBDT。它提供了最好的性能,准确率为93.7%。与标准的原始特征加权相比,特征重要性考虑了特征的潜在相关结构。GBDT最关键的特征是“肺浸润范围”,得分为0.5925,其次是“咳嗽”(0.0953)和“胸腔积液”(0.0492)。我们在https://github.com/zhenguonie/2021_AI4MPP上公开分享我们的完整实现与数据集和训练模型。
2021-02-20 cs.AI cs.LG
CBIDR: A novel method for information retrieval combining image and data by means of TOPSIS applied to medical diagnosis
Labcin - Nature-inspired computing Lab. - Federal University of Espírito Santo - Vitória, ES, Brazil(自然启发计算实验室 - 芬斯大学 - 维蒂利亚);Graduate Program in Computer Science, PPGI, UFES - Federal University of Espírito Santo - Vitória, ES, Brazil(计算机科学研究生项目,PPGI,UFES - 芬斯大学 - 维蒂利亚)
本文提出CBIDR方法,将医学图像与患者临床数据通过TOPSIS排序算法结合,用于辅助医学诊断,在口腔癌诊断案例中Top-1准确率达97.44%、Top-5达100%。
2024-09-26 cs.AI cs.IR eess.IV
Towards a Reliable Framework of Uncertainty-Based Group Decision Support System
The Hong Kong Polytechnic University(香港理工大学)
提出一种基于不确定性的群体决策支持系统框架,通过集成多智能体架构和人工智能技术,支持多准则决策分析,实现可靠决策支持。
2011-07-01 cs.AI cs.SY eess.SY
ProMUSE: Progressive Multi-modal Uncertainty-guided Staged Evidential Alzheimer Disease Classification
Kennesaw State University(肯尼索州立大学);Michigan Technological University(密歇根理工大学);University of Iowa(爱荷华大学)
提出ProMUSE,一种渐进式多模态不确定性引导的分阶段证据网络,通过自适应决定何时需要额外模态,在保持准确性的同时降低数据采集成本。
2026-06-19 cs.AI cs.CV cs.LG