• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

The explainability of the latent variables is limited to the synthesis of electrocardiogram.

作者信息

Higaki Akinori, Yamaguchi Osamu

机构信息

Department of Intractable Disease and Aging Science, Ehime University Graduate School of Medicine, 454 Shitsukawa, Toon, Ehime 791-0295, Japan.

Department of Cardiology, Pulmonology, Hypertension, and Nephrology, Ehime University Graduate School of Medicine, 454 Shitsukawa, Toon, Ehime 791-0295, Japan.

出版信息

Eur Heart J Digit Health. 2022 Sep 15;3(4):500-501. doi: 10.1093/ehjdh/ztac052. eCollection 2022 Dec.

DOI:10.1093/ehjdh/ztac052
PMID:36710890
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC9779878/
Abstract
摘要

相似文献

1
The explainability of the latent variables is limited to the synthesis of electrocardiogram.潜在变量的可解释性仅限于心电图的合成。
Eur Heart J Digit Health. 2022 Sep 15;3(4):500-501. doi: 10.1093/ehjdh/ztac052. eCollection 2022 Dec.
2
Re-focusing explainability in medicine.重新聚焦医学中的可解释性。
Digit Health. 2022 Feb 11;8:20552076221074488. doi: 10.1177/20552076221074488. eCollection 2022 Jan-Dec.
3
Trade-off Predictivity and Explainability for Machine-Learning Powered Predictive Toxicology: An in-Depth Investigation with Tox21 Data Sets.机器学习驱动的预测毒理学中的权衡预测性和可解释性：使用 Tox21 数据集的深入研究。
Chem Res Toxicol. 2021 Feb 15;34(2):541-549. doi: 10.1021/acs.chemrestox.0c00373. Epub 2021 Jan 29.
4
Believing in black boxes: machine learning for healthcare does not need explainability to be evidence-based.相信黑盒：医疗保健的机器学习不需要可解释性即可成为基于证据的。
J Clin Epidemiol. 2022 Feb;142:252-257. doi: 10.1016/j.jclinepi.2021.11.001. Epub 2021 Nov 5.
5
Physician understanding, explainability, and trust in a hypothetical machine learning risk calculator.医生对假设性机器学习风险计算器的理解、可解释性和信任。
J Am Med Inform Assoc. 2020 Apr 1;27(4):592-600. doi: 10.1093/jamia/ocz229.
6
Explainability in medicine in an era of AI-based clinical decision support systems.基于人工智能的临床决策支持系统时代的医学可解释性。
Front Genet. 2022 Sep 19;13:903600. doi: 10.3389/fgene.2022.903600. eCollection 2022.
7
Trading off accuracy and explainability in AI decision-making: findings from 2 citizens' juries.权衡人工智能决策中的准确性和可解释性：来自 2 个公民陪审团的发现。
J Am Med Inform Assoc. 2021 Sep 18;28(10):2128-2138. doi: 10.1093/jamia/ocab127.
8
Variational auto-encoders improve explainability over currently employed heatmap methods for deep learning-based interpretation of the electrocardiogram.变分自编码器在基于深度学习的心电图解释中，相较于当前使用的热图方法，能提高可解释性。
Eur Heart J Digit Health. 2022 Oct 26;3(4):502-504. doi: 10.1093/ehjdh/ztac063. eCollection 2022 Dec.
9
Clinical Explainability Failure (CEF) & Explainability Failure Ratio (EFR) - Changing the Way We Validate Classification Algorithms.临床可解释性失败（CEF）与可解释性失败比（EFR）——改变我们验证分类算法的方式。
J Med Syst. 2022 Mar 5;46(4):20. doi: 10.1007/s10916-022-01806-2.
10
Population Preferences for Performance and Explainability of Artificial Intelligence in Health Care: Choice-Based Conjoint Survey.人群对医疗人工智能性能和可解释性的偏好：基于选择的联合调查。
J Med Internet Res. 2021 Dec 13;23(12):e26611. doi: 10.2196/26611.

本文引用的文献

1
Improving explainability of deep neural network-based electrocardiogram interpretation using variational auto-encoders.使用变分自编码器提高基于深度神经网络的心电图解释的可解释性。
Eur Heart J Digit Health. 2022 Jul 25;3(3):390-404. doi: 10.1093/ehjdh/ztac038. eCollection 2022 Sep.
2
Content-based image retrieval for the diagnosis of myocardial perfusion imaging using a deep convolutional autoencoder.基于内容的图像检索在心肌灌注成像诊断中的应用：使用深度卷积自动编码器。
J Nucl Cardiol. 2023 Apr;30(2):540-549. doi: 10.1007/s12350-022-03030-4. Epub 2022 Jul 8.
3
COV-ECGNET: COVID-19 detection using ECG trace images with deep convolutional neural network.COV-ECGNET：使用深度卷积神经网络通过心电图轨迹图像进行COVID-19检测。
Health Inf Sci Syst. 2022 Jan 19;10(1):1. doi: 10.1007/s13755-021-00169-1. eCollection 2022 Dec.
4
DeepFake electrocardiograms using generative adversarial networks are the beginning of the end for privacy issues in medicine.使用生成对抗网络的 DeepFake 心电图是医学隐私问题终结的开始。
Sci Rep. 2021 Nov 9;11(1):21896. doi: 10.1038/s41598-021-01295-2.
5
Performance of a convolutional neural network derived from an ECG database in recognizing myocardial infarction.基于心电图数据库的卷积神经网络在识别心肌梗死中的性能。
Sci Rep. 2020 May 21;10(1):8445. doi: 10.1038/s41598-020-65105-x.