臨床可解釋性

深度分析

NEURON：以 SNOMED‑CT 本體嵌入與 RAG‑LLM 強化臨床可解釋性與預測

面對臨床 AI 常見的黑盒問題，NEURON 提出一套神經符號化框架，將 SNOMED CT 本體結構與表格特徵、Node2Vec／TF‑IDF 本體嵌入、以及 SHAP 歸因整合到預測流程中，並以 RAG（檢索增強生成）接地的大型語言模型生成人性化的病患情境化敘事。