AI в медицинском космосе необходимо быть осторожным испытать для представления через широкий диапазон населенностей

Инструменты (AI) искусственного интеллекта натренированные для того чтобы обнаружить пневмони на рентгенах легких вытерпели значительно уменшения в представлении при испытании по данные от внешних систем здоровья, согласно опубликованному изучению дирижированному на Медицинском факультете Icahn на Маунте и в специальном выпуске медицины PLOS на учить и здравоохранении машины. Эти заключения предлагают что искусственный интеллект в медицинском космосе необходимо быть осторожным испытать для представления через широкий диапазон населенностей; в противном случае, глубокие учя модели не могут выполнить как точно как предположено.

По мере того как интерес в пользе рамок компьютерной системы вызвал convolutional нервные системы (CNN) для того чтобы проанализировать медицинское воображение и обеспечивать автоматизированный диагноз растет, недавние изучения предлагали что классифицирование изображения AI не может обобщить к новым данным так же, как обыкновенно не портретировало.

Исследователя на Медицинском факультете Icahn на определенной горе Синай как AI моделирует определенную пневмони в 158.000 рентгенах легких через 3 медицинского учреждения: национальные институты здоровья; Больница горы Синай; и больница университета Индианы. Исследователя выбрали изучить диагноз пневмони на рентгенах легких для своих общего возникновения, клинической значительности, и распространимости в научном обществе.

В 3 из 5 сравнений, проведение CNNs в диагностировать заболевания на рентгеновских снимках от больниц снаружи своей собственной сети было значительно более низко чем на рентгеновских снимках от первоначально системы здоровья. Однако, CNNs могло обнаружить систему больницы где рентгеновский снимок был приобретен с высокой степенью точности, и был обжулен на их предвестниковой задаче основанной на распространимости пневмони на заведении тренировки. Исследователя нашли что затруднение использования глубоко учя моделей в медицине что они используют массивнейшее количество параметров, делая его бросая вызов для того чтобы определить специфические переменные величины управляя прогнозами, как типы блоков развертки CT используемых на больнице и качестве разрешения воображения.

«Наши заключения должны дать перерыв к тем рассматривая быстрое раскрытие платформ искусственного интеллекта без rigorously определять их представление в реальных клинических установках отражательным где они раскрываются,» говорят старшее автор Эрик Oermann, MD, инструктор в нейрохирургии на Медицинском факультете Icahn на горе Синай. «Глубокие учя модели натренированные для того чтобы выполнить медицинский диагноз могут обобщить хорошо, но это нельзя принять для о в виду того что терпеливейшие населенности и методы воображения отличают значительно через заведения.»

«Если системы CNN быть использованным для медицинского диагноза, то их необходимо портняжничать тщательного для рассмотрения клинических вопросов, испытать для разнообразие реальных сценариев, и тщательно определить для того чтобы определить как они плотно сжимают точный диагноз,» говорят первое автор Джон Zech, студент-медик на Медицинском факультете Icahn на горе Синай.

Строения этого исследования на бумагах опубликовали более раньше этот год в медицине радиологии и природы журналов, которая клала рамки для прикладывать зрение компьютера и глубокие учя методы, включая алгоритмы обрабатывать естественного языка, ибо определять клинические принципиальные схемы в отчетах о радиологии для CT просматривает.

Источник: https://www.mountsinai.org/

Advertisement