AI in medische ruimte moet zorgvuldig voor prestaties over brede waaier van bevolking worden getest

Hulpmiddelen (AI) van de kunstmatige intelligentie worden opgeleid om longontsteking op borstRöntgenstralen te ontdekken leden aan significante dalingen van prestaties wanneer getest op gegevens van buitendiegezondheidssystemen, volgens een studie op de School Icahn van Geneeskunde bij Onderstel wordt en in een speciale uitgave van Geneeskunde PLOS op machine het leren en gezondheidszorg die wordt gepubliceerd uitgevoerd die. Deze bevindingen stellen voor dat de kunstmatige intelligentie in de medische ruimte zorgvuldig voor prestaties over een brede waaier van bevolking moet worden getest; anders, kunnen de diepe het leren modellen niet zo nauwkeurig zoals verwacht presteren.

Aangezien de rente in het gebruik van computersysteemkader kronkel neurale netwerken riep (CNN) om medische weergave te analyseren en een diagnose met computer te verstrekken groeit, hebben de recente studies gesuggereerd dat AI de beeldclassificatie niet aan nieuwe gegevens kan veralgemenen evenals algemeen afgebeeld.

De onderzoekers op de School Icahn van Geneeskunde bij Onderstel Sinai beoordeelden hoe AI de modellen longontsteking in 158.000 borstRöntgenstralen over drie medische instellingen identificeerden: de nationale Instituten van Gezondheid; Het Sinai van het Onderstel Ziekenhuis; en het Universitaire Ziekenhuis van Indiana. De onderzoekers verkozen om de diagnose van longontsteking op borstRöntgenstralen voor zijn gemeenschappelijk voorkomen, klinische betekenis, en overwicht in de onderzoekgemeenschap te bestuderen.

In drie van de vijf vergelijkingen, waren de prestaties van CNNs in het diagnostiseren van ziekten op Röntgenstralen van de ziekenhuizen buiten zijn eigen netwerk beduidend lager dan op Röntgenstralen van het originele gezondheidssysteem. Nochtans, konden CNNs het het ziekenhuissysteem ontdekken waar een Röntgenstraal met een hoog-graad van nauwkeurigheid werd verworven, en bij hun vooruitlopende die taak op het overwicht van longontsteking bij de opleidende instelling wordt gebaseerd werd bedrogen. De onderzoekers vonden dat de moeilijkheid om diepe het leren modellen in geneeskunde te gebruiken is dat zij een massief aantal parameters gebruiken, het maakt die uitdagend om specifieke variabelen te identificeren die die voorspellingen, zoals de types van CT scanners drijven bij het ziekenhuis en de resolutiekwaliteit worden gebruikt van weergave.

„Onze bevindingen zouden moeten pauze aan die geven die snelle plaatsing van kunstmatige intelligentieplatforms overwegen zonder hun prestaties in real-world klinische montages streng beoordeling van weerspiegelend van waar zij worden opgesteld,“ zegt hogere auteur Eric Oermann, M.D., Instructeur in Neurochirurgie op de School Icahn van Geneeskunde bij Onderstel Sinai. De „diepe die het leren modellen worden opgeleid om medische diagnose uit te voeren kunnen goed veralgemenen, maar dit kan niet voor verleend worden genomen aangezien de geduldige bevolking en de weergavetechnieken beduidend over instellingen.“ verschillen

„Als de systemen CNN voor medische diagnose moeten worden gebruikt, moeten zij worden gemaakt om klinische vragen zorgvuldig te overwegen, voor een verscheidenheid van real-world scenario's worden getest, en zorgvuldig worden beoordeeld om te bepalen hoe zij nauwkeurige diagnose beïnvloeden,“ zeggen eerste auteur John Zech, een medische student op de School Icahn van Geneeskunde bij Onderstel Sinai.

Dit die onderzoek bouwt op documenten voort vroeger op het jaar in de de dagboekenRadiologie en Geneeskunde van de Aard worden gepubliceerd, die het kader legden om computervisie en diepe het leren technieken, met inbegrip van de algoritmen van de natuurlijke taalverwerking, voor het identificeren van klinische concepten in radiologierapporten voor CT aftasten toe te passen.

Bron: https://www.mountsinai.org/

Advertisement