Dies ist eine Übersichtsseite mit Metadaten zu dieser wissenschaftlichen Arbeit. Der vollständige Artikel ist beim Verlag verfügbar.
Assessment of Performance, Interpretability, and Explainability in Artificial Intelligence–Based Health Technologies: What Healthcare Stakeholders Need to Know
2023·62 Zitationen·Mayo Clinic Proceedings Digital HealthOpen Access
Volltext beim Verlag öffnen62
Zitationen
6
Autoren
2023
Jahr
Abstract
Für dieses Paper ist kein Abstract in der Datenbank hinterlegt.
Abstract beim Verlag einsehenÄhnliche Arbeiten
Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based Localization
2017 · 20.246 Zit.
Generative Adversarial Nets
2023 · 19.841 Zit.
Visualizing and Understanding Convolutional Networks
2014 · 15.228 Zit.
"Why Should I Trust You?"
2016 · 14.150 Zit.
On a Method to Measure Supervised Multiclass Model’s Interpretability: Application to Degradation Diagnosis (Short Paper)
2024 · 13.091 Zit.
Autoren
Institutionen
- Université Paris-Saclay(FR)
- Hôpital Foch(FR)
- Institut national de recherche en sciences et technologies du numérique(FR)
- Inserm(FR)
- Pierre Fabre (Germany)(DE)
- Université Paris Cité(FR)
- Sorbonne Université(FR)
- Centre de Recherche des Cordeliers(FR)
- Pierre Fabre (France)(FR)
- Institut Gustave Roussy(FR)
- Hôpital Européen Georges-Pompidou(FR)
- Hôpital Européen(FR)
- CIC Rennes(FR)
- Centre d'Investigation Clinique - Innovation Technologique(FR)
Themen
Explainable Artificial Intelligence (XAI)Artificial Intelligence in Healthcare and EducationMachine Learning in Healthcare