iPAS 考題解析在醫療診斷 AI 系統中，若某模型在訓練資料中表現優異但臨床部署後診斷準確率下降，且醫師反映難以理解模型決策依據，下列哪項解決方案最能同時解決這兩個問題？

解析

正確答案：C. 導入可解釋 AI（XAI）技術（如 SHAP、LIME）並針對臨床資料做領域適應訓練

可解釋 AI（如 SHAP、LIME）能讓醫師理解模型決策依據（解決可解釋性問題），同時針對臨床資料的領域適應訓練（Domain Adaptation）能解決訓練到部署環境的分佈差異（解決性能下降問題）。

每個選項為什麼對或錯

• A 增加訓練資料量並使用更複雜的深度學習模型 錯誤選項

  增加資料量可能有助於泛化，但無法解決可解釋性問題。

• B 降低模型複雜度並使用所有可用特徵重新訓練 錯誤選項

  降低複雜度不一定解決分佈差異，也不解決可解釋性。

• C 導入可解釋 AI（XAI）技術（如 SHAP、LIME）並針對臨床資料做領域適應訓練 正解

  XAI + 領域適應訓練能同時解決可解釋性和分佈差異兩個問題，此為最佳方案。

• D 僅使用單一決策樹模型以確保完全透明 錯誤選項

  單一決策樹雖透明但性能往往不足，且仍未解決分佈差異問題。

答案、題目或解析有問題？回報這題

題目 © 經濟部產業發展署，AITerms.tw 僅作教學解析使用，本站解析以 CC BY-NC-SA 4.0 授權。