在线免费看片a欧美,午夜AV不卡网站在线播放,久久综合尹人77777,96国产在线分享

“AI 的一些醫(yī)療決策，實際上就是拋硬?！惫疳t(yī)學院的數科學家 Kun-Hsing Yu 語出驚人。他還補充道：即比賽中正確率達 90% 的獲獎模型，再用原數據集陸吾集測試時準確度最多 60-70%，可謂慘敗。這讓我們很驚訝。女戚述科家的觀點來自 Nature 最近新發(fā)表的一篇文章。內容對 AI 在醫(yī)療領域的可重復性提出了質疑，呈諸多醫(yī)療領域及場景，AI 自帶的黑箱屬性造成的隱患。更值關注的是，盡管問題在，但 AI 仍在醫(yī)療領域大規(guī)模推廣使。舉例來看，數以百的美國醫(yī)院已在使用種 AI 模型標記敗血癥早期癥狀，但在 2021 年，該模型被發(fā)現未能識別率高 67%。所以，AI 究竟帶來了哪些醫(yī)療隱患，如何解青耕？繼往下看。△?圖源：Nature人工智能的“看病難”我們先巫真佛醫(yī)學院的數據科學 Kun-Hsing Yu 發(fā)現 AI“拋硬幣”的始末聊起在醫(yī)療領域，AI 用于診斷檢測人體一直疑聲不斷，Kun-Hsing Yu 此番研究也是希望有個直體感。他選定了常見癥之一的肺癌，每年 350 萬美國人因該病癥去世，若能更通過 CT 掃描篩查，很多人可以免于死。該領域的確備受機學習界關注，為此，2017 年業(yè)內還舉辦了面向肺癌篩倍伐的競。該活動歸屬于 Kaggle 的 Data Science Bowl 賽事，數據由主辦方提供，涵蓋 1397 位患者的胸部 CT 掃描數據。參賽團隊需開發(fā)并測算法，最終大賽按準率給予評獎，在官宣，至少五個獲獎模型確度 90% 以上。但 Kun-Hsing Yu 又重新測試了一輪，然九鳳震驚地現，即便使用原比賽據的子集，這些“獲”模型最高準確率卻降到了 60-70%?！?一位參賽者分的模型結構上述狀況非個例。普林斯頓一博士，Sayash Kapoor，在 17 個領域的 329 項研究中報告了可重復性失敗和陷阱，醫(yī)名列其中?；谘芯?這位博士及自己的教還組織了一個研討會吸引了 30 個國家 600 名科研者參與。一位劍橋的高級究員在現場表示，他機器學習技術預測新傳播流行趨勢，但因同來源的數據偏差、練方法等問題，沒有次模型預測準確。還一位研究者也分享了 —— 自己用機器學習研究心魃課題，但無復現的問題。在該研會上，還有參與者指谷歌此前遇到的“坑。他們曾在 2008 年就利用機器學習分析用戶搜索鳳鳥產生數集，進而預測流感暴。谷歌為此還鼓吹一。但事實上，它并未預測 2013 年的流感暴發(fā)。一家獨立究機構指出，該模型一些流感流行無關的節(jié)性詞匯進行了關聯(lián)鎖定。2015 年，谷歌停止了對外公開趨勢預測。Kapoor 認為，就可重復性來說，AI 模型背后的代碼和數據集都應用并不出錯誤。那位究新冠流行模型的劍 ML 研究者補充道，數據隱私問題、倫問題、監(jiān)管障礙也是致可重復性出問題的灶。他們繼續(xù)補充道數據集是問題根源之。目前公開可用的數集比較稀缺，這導致型很容易產生帶偏見判斷。比如特定數據中，醫(yī)生給一個種族的藥比另一個種族多這可能導致 AI 將病癥與種族關聯(lián)，而病癥本身。另一個問是訓練 AI 中的“透題”現象。因數據不足，用于訓練模型數據集和測試集會重，甚至該情況一些當人還不知道，這也可導致大家對模型的正率過于樂觀?！?Sayash Kapoor 博士盡管問題存在，但 AI 模型仍已被應用在實際暴山斷場中，甚至直接下場看。2021 年，一個名為 Epic Sepsis Model 的醫(yī)療診斷模型被曝出嚴重漏檢問題。該型用于敗血癥篩查，過識別病人早期患病征檢測，避免這種全感染的發(fā)生，但密歇大學醫(yī)學院研究者通調查分析了 27697 人的就診情況，結果發(fā)現，該模型未能別 67% 敗血癥病患。此后，該公司對型進行了大調整。一計算生物學家對此指，該問題之所以較難決，也同 AI 模型透明度不足有關?！?們在實踐中部署了無理解的算法，也并不道它帶什么偏見”，補充道?！?曝出 Epic Sepsis Model 問題的文章可以明確的是，要上述問題一直未能決，商業(yè)巨頭及相關業(yè)項目也有些舉步維 ——去年谷歌谷歌健康（Google Health）宣布人員拆分到各團隊，前幾，谷歌孵化的生命健子公司 Verily 又被曝裁員約 15%。有沒改進措施？對于魚婦樣的現狀，一些究者和業(yè)內人士也在手改進醫(yī)療 AI。一方面，是構建靠譜的大數據集。涵蓋機構國家和人口等多方面數據，并向所有人開。這種數據庫其實已出現了，比如英國和本的國家生物庫，以重癥病房遠程監(jiān)護系 eICU 合作的數據庫等。就拿 eICU 合作研究數據庫來說，這里面冰夷約有 20 萬次的 ICU 入院相關數據，由飛浦醫(yī)療集團和 MIT 的計算生理學實驗室共同提供。為了規(guī)范據庫的內容，需要建收集數據的標準。例一個關于醫(yī)療結果伙關系的可觀測數據模，讓各醫(yī)療機構能以同的方式收集信息，樣有利于加強醫(yī)療保領域的機器學習研究當然，與此同時，也須重視嚴格保護患者隱私，而且只有當患本人同意時，才有資把他們的數據納入庫另一方面，想要提升器學習質量的話，消冗余數據也很有幫助因為在機器學習中，余數據不僅會延長運時間、消耗更多資源而且還很可能造成模過擬合 —— 也就是訓練出來的模型在訓集上表現很好，但是測試集上表現較差。于 AI 圈很熱門的預測蛋白質結構，這問題已經得到了有效解。在機器學習過程，科學家們成功地從試集中刪除了和訓練用到的過于相似的蛋質。but，各病人醫(yī)療數據之間的差異，沒有不同蛋白質結構異那么明顯。在一個據庫中，可能有許許多病情非常相似的個。所以我們需要想清到底向算法展示什么據，才能平衡好數據代表性和豐富性之間關系。哥本哈根大學轉化性疾病系統(tǒng)生物家 S?ren Brunak 如是評價。除此之外，還可以請業(yè)大佬們制定一個檢表，規(guī)范醫(yī)療 AI 領域的研究開發(fā)步驟然后，研究人員就能方便地搞清楚先做什、再做什么，有條不地操作；還能 Check 一些可能遺漏的問題，比如一句芒研究回顧性還是前瞻性的數據與模型的預期用是否匹配等等。其實現有已有多種機器學檢查表，其中大部分基于“EQUATOR Network”先提出的，這是一項國語提高健康研究可靠性國際倡議。此前，上提到的普林斯頓的 Kapoor 博士，也和團隊共同發(fā)表了一包含 21 個問題的清單。他們建議，對一個預測結果的模型研究人員得確認訓練中的數據要早于測試，這樣可以確保兩個據集是獨立的，不會數據重疊和相互影響參考鏈接：[1]https://www.nature.com/articles/d41586-023-00023-2[2]https://www.wired.com/story/machine-learning-reproducibility-crisis/[3]https://mp.weixin.qq.com/s/TEoe3d9DYuO7DGQeEQFghA本文來自微信公眾號：量子位 （ID：QbitAI），作者：詹士 Alex