El AI en espacio médico se debe probar cuidadosamente para el funcionamiento a través de la amplia gama de poblaciones

Las herramientas de la inteligencia (AI) artificial entrenadas para descubrir pulmonía en radiografías del pecho sufrieron disminuciones importantes del funcionamiento cuando estaban probadas en datos de sistemas exteriores de la salud, según un estudio conducto en la Facultad de Medicina de Icahn en el montaje y publicado en una edición especial del remedio de PLOS en el aprendizaje y la atención sanitaria de máquina. Estas conclusión sugieren que la inteligencia artificial en el espacio médico se deba probar cuidadosamente para el funcionamiento a través de una amplia gama de poblaciones; si no, los modelos de aprendizaje profundos pueden no realizarse como exacto como se esperaba.

Pues el interés en el uso de los armazones del sistema informático llamó redes neuronales circumvolucionales (CNN) para analizar proyección de imagen médica y ofrecer una diagnosis automatizada crece, los estudios recientes han sugerido que la clasificación de la imagen del AI puede no generalizar a los nuevos datos así como no retrató común.

Investigadores en la Facultad de Medicina de Icahn en el monte Sinaí fijado cómo el AI modela pulmonía determinada en 158.000 radiografías del pecho a través de tres instituciones médicas: los institutos de la salud nacionales; El hospital del monte Sinaí; y hospital de la universidad de Indiana. Los investigadores eligieron estudiar la diagnosis de la pulmonía en las radiografías del pecho para su acontecimiento común, significación clínica, e incidencia en la comunidad de investigación.

En tres fuera de cinco comparaciones, el funcionamiento de CNNs en el diagnóstico de enfermedades en radiografías de hospitales fuera de su propia red era importante más inferior que en radiografías del sistema original de la salud. Sin embargo, CNNs podía descubrir el sistema del hospital donde una radiografía fue detectada con un alto nivel de exactitud, y engañada en su tarea profética basada en la incidencia de la pulmonía en la institución del entrenamiento. Los investigadores encontraron que la dificultad de usar modelos profundamente de aprendizaje en remedio es que utilizan un número masivo de parámetros, haciéndolo que desafía para determinar las variables específicas que impulsan predicciones, tales como los tipos de analizadores del CT usados en un hospital y la calidad de la resolución de la proyección de imagen.

“Nuestras conclusión deben dar pausa a ésas que consideran el despliegue rápido de las plataformas de la inteligencia artificial sin riguroso fijar su funcionamiento en fijaciones clínicas del mundo real reflexivo de donde se están desplegando,” dicen autor a Eric mayor Oermann, Doctor en Medicina, instructor en neurocirugía en la Facultad de Medicina de Icahn en el monte Sinaí. De “modelos aprendizaje profundos entrenados para realizar el diagnóstico médico pueden generalizar bien, pero esto no se puede tomar para concedido puesto que las poblaciones de pacientes y las técnicas de proyección de imagen difieren importante a través de las instituciones.”

“Si se van los sistemas de CNN a ser utilizados para el diagnóstico médico, deben ser adaptados para considerar cuidadosamente preguntas clínicas, ser probados para una variedad de decorados del mundo real, y ser fijados cuidadosamente para determinar cómo afectan diagnosis exacta,” dicen a primer autor Juan Zech, estudiante de medicina en la Facultad de Medicina de Icahn en el monte Sinaí.

Los emplear de esta investigación los papeles publicaron a principios de este año en el remedio de la radiología y de la naturaleza de los gorrones, que puso el marco para aplicar la visión de computador y técnicas de aprendizaje profundas, incluyendo algoritmos del tramitación de lenguaje natural, porque determinar conceptos clínicos en los partes de la radiología para el CT explora.

Fuente: https://www.mountsinai.org/

Advertisement