Key points are not available for this paper at this time.
أثبتت أنظمة الدعم المستندة إلى التعلم العميق نتائج مشجعة في العديد من التطبيقات السريرية التي تتضمن معالجة بيانات سلاسل الزمن. بينما تكون هذه الأنظمة غالبًا دقيقة جدًا، إلا أنه لا يوجد لديها آلية داخلية تفسر ما أثر على التوقعات، وهو أمر حاسم للمهام السريرية. ومع ذلك، فإن تقنيات التفسير الحالية تفتقر إلى عنصر مهم لدعم اتخاذ القرار الموثوق به والموثوق، وهو مفهوم الشك. في هذه الورقة، نعالج هذا النقص في الشك من خلال اقتراح نهج فرقة عميقة حيث يتم تدريب مجموعة من الشبكات العصبية العميقة بشكل مستقل. يتم حساب مقياس الشك في درجات الصلة من خلال أخذ الانحراف المعياري عبر درجات الصلة التي تنتجها كل نموذج في الفرقة، والتي تستخدم بدورها لجعل التفسيرات أكثر موثوقية. يتم استخدام طريقة رسم تنشيط الفئة لتعيين درجة صلة لكل خطوة زمنية في سلسلة الزمن. تُظهر النتائج أن الفرقة المقترحة أكثر دقة في تحديد خطوات الزمن ذات الصلة وتمتاز بالثبات عبر البدء العشوائي، مما يجعل النموذج أكثر موثوقية. يمهد المنهج المقترح الطريق لبناء أنظمة دعم موثوقة وقابلة للاعتماد لمعالجة سلاسل الزمن السريرية لمهام مرتبطة بالرعاية الصحية.
درس ويكستروم وآخرون هذا السؤال.