Interpretierbares maschinelles Lernen zur Rezidivvorhersage bei Schilddrüsenkarzinomen: Nutzung von XGBoost und SHAP-Analyse
Nuklearmedizin - NuclearMedicine · 01.03.2024 · 63 (02) · 124
DOI: 10.1055/s-0044-1782383 ↗Kurz gefasst
Fachartikel in der Zeitschrift Nuklearmedizin - NuclearMedicine, erschienen am 01.03.2024. Verfasst von A. Schindele und 8 weiteren Autor:innen.
Abstract (Originalsprache)
Kein Abstract verfügbar.
Zitieren
APA
Schindele, A., Heiß, U., Nimptsch, K., Bundschuh, R. A., Dierks, A., Kircher, M., Berr, C., Pfob, C., & Lapa, C. (2024). Interpretierbares maschinelles Lernen zur Rezidivvorhersage bei Schilddrüsenkarzinomen: Nutzung von XGBoost und SHAP-Analyse. Nuklearmedizin - NuclearMedicine, 63(02), 124. https://doi.org/10.1055/s-0044-1782383
Vancouver
Schindele A, Heiß U, Nimptsch K, Bundschuh RA, Dierks A, Kircher M, et al. Interpretierbares maschinelles Lernen zur Rezidivvorhersage bei Schilddrüsenkarzinomen: Nutzung von XGBoost und SHAP-Analyse. Nuklearmedizin - NuclearMedicine. 2024;63(02):124. doi:10.1055/s-0044-1782383
BibTeX
@article{Schindele2024,
author = {Schindele, A. and Heiß, U. and Nimptsch, K. and Bundschuh, R. A. and Dierks, A. and Kircher, M. and Berr, C. and Pfob, C. and Lapa, C.},
title = {Interpretierbares maschinelles Lernen zur Rezidivvorhersage bei Schilddrüsenkarzinomen: Nutzung von XGBoost und SHAP-Analyse},
journal = {Nuklearmedizin - NuclearMedicine},
year = {2024},
volume = {63},
number = {02},
pages = {124},
doi = {10.1055/s-0044-1782383}
}
EUVIMED