Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Einleitung „Künstliche Intelligenz im Gesundheitswesen“ Kapitel lesen Erstes Kapitel lesen

2022 | OriginalPaper | Buchkapitel

36. Explainable AI im Gesundheitswesen

verfasst von : Joachim Steinwendner

Erschienen in: Künstliche Intelligenz im Gesundheitswesen

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

Künstliche Intelligenz (KI) erlaubt das automatische Lösen von Aufgaben ohne menschliche Interaktion. Im Bereich der medizinischen Diagnostik sind besonders tiefe neuronale Netze (Deep Learning) sehr erfolgreich. Je geringer die Bench-to-Bedside-Distanz, desto klarer werden die Probleme, die mit diesen Methoden einhergehen. Eine große Herausforderung ist die Notwendigkeit der Erklärbarkeit einer Aussage eines KI-Modells, die vor allem auch bei Blackbox-Modell genannten neuronalen Netze besteht. Für den behandelnden Gesundheitsdienstleister wird diese Frage jedoch immer wichtiger, je mehr diese Algorithmen in die Klinik drängen. Mit der Frage der Interpretierbarkeit oder Erklärbarkeit in diesem Zusammenhang beschäftigt sich das Feld der Explainable Artificial Intelligence (XAI).

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Erklärbare KI in der medizinischen Diagnose – Erfolge und Herausforderungen
Nächstes Kapitel Humanoide Robotik und körperlose KI-Systeme im Gesundheitswesen
Literatur
Brkan, M., & Bonnet, G. (2020). Legal and technical feasibility of the GDPR's Quest for explanation of algorithmic decisions: Of Black Boxes, White Boxes and Fata Morganas. European Journal of Risk Regulation, 11, 18–50.
Haugeland, J. (1985). Artificial intelligence: The very idea. MIT Press.
Huang, M.-H., & Rust, R. T. (2018). Artificial intelligence in service. Journal of Service Research, 21(2), 155–172.CrossRef
Kopitar, L., Cilar, L., Kocbek, P., & Stiglic, G. (2019). Local vs. Global interpretability of machine learning models in Type 2 diabetes mellitus screening. In M. Marcos (Hrsg.), Artificial intelligence in medicine: Knowledge representation and transparent and explainable systems. lecture notes in computer science (Bd. 11979, S. 108–119). Springer.
Lundberg, S. M., & Lii, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774.
Lundberg, S. M., Nair, B., Vavilala, M. S., Horibe, M., Eisses, M. J., Adams, T., Liston, D. E., King-Wai, L. D., Newman, S.-F., Kim, J., & Lee, S.-I. (2018). Explainable machine-learning predictions for the prevention of hypoxaemia during surgery. Nature Biomedical Engineering, 2, 749–760.CrossRef
Miller, T. (2019). Explanation in artificial intelligence: Insights from the social sciences. Artificial Intelligence, 267(6), 1–38.
Poole, D., & Mackworth, A. (2017). Artificial intelligence: Foundations of computational agents. Cambridge University Press.CrossRef
Robnik-Sikonja, M., & Bohanec, M. (2018). Perturbation-based explanations of prediction models. Human and Machine Learning, 159–175.
Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). Model-agnostic interpretability of machine learning. In Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining. Association for Computing Machinery (ACM), 13–17 August, San Francisco, https://​arxiv.​org/​abs/​1606.​05386.
Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 1, 206–215.CrossRef
Shapley, L. S. (1953). A value for n-person games. Contributions to the Theory of Games, 2(28), 307–317.
Steinwendner, J. (2020). Klinische Entscheidungsunterstützungssysteme: Von der Datenrepräsentation zur künstlichen Intelligenz. In M. A. Pfannstiel, K. Kassel, & C. Rasche (Hrsg.), Innovationen und Innovationsmanagement im Gesundheitswesen Technologien, Produkte und Dienstleistungen voranbringen (S. 683–699). Springer .CrossRef
Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z. (2016). Rethinking the inception architecture for computer vision. In IEEE conference on computer vision and pattern recognition (S. 2818–2826), Las Vegas, NV, U.S.A, 27.06.–30.06.2016, Institute of Electrical and Electronics Engineers (IEEE, Hrsg.). https://​arxiv.​org/​abs/​1512.​00567.
van Hoof, V., Wormek, A., Schleutermann, S., & Schumacher T. (2004). Medical expert systems developed in j.MD, a Java based expert system shell: Application in clinical laboratories. Studies in Health Technology and Informatics, 107(1), 89–93.
Wiens, J., Saria, S., Sendak, M., Ghassemi, M., Liu, V.-X., Doshi-Velez, F., Jung, K., Heller, K., Kale, K., Saeed, M., Ossorio, P. N., Thadaney-Israni, S., & Goldenberg, A. (2019). Do no harm: A roadmap for responsible machine learning for health care. Nature Medicine, 25, 1337–1340.CrossRef
Metadaten
Titel
Explainable AI im Gesundheitswesen
verfasst von
Joachim Steinwendner
Copyright-Jahr
2022
Buch
Künstliche Intelligenz im Gesundheitswesen

Print ISBN: 978-3-658-33596-0

Electronic ISBN: 978-3-658-33597-7

Copyright-Jahr: 2022

DOI
https://doi.org/10.1007/978-3-658-33597-7_36