AI i medicinskt utrymme måste försiktigt testas för kapacitet över lång räcka av befolkningar

Konstgjord intelligens (AI) bearbetar utbildat för att avkänna lunginflammation på led viktiga minskningar för bröstkorg X-rays i kapacitet, när den utifrån testas på vård- system för data, enligt en studie som föras på Icahnen, skola av medicin på monteringen, och publicerat i en sakkunnig utfärda av PLOS-medicin bearbetar med maskin på att lära och sjukvård. Dessa rön föreslår att konstgjord intelligens i det medicinska utrymmet måste försiktigt testas för kapacitet över en lång räcka av befolkningar; annorlunda djupt modellerar lära kan inte utföra så exakt som förväntat.

Som intresserar i bruket av ADB-systemramar som kallas convolutional neural, knyter kontakt (CNN) för att analysera läkarundersökningen som avbildar, och att ge en datastödd diagnos växer, har nya studier föreslågit, att AI avbildar, klassifikation kan inte generalisera till nya data såväl som beskrev gemensamt.

Forskare på Icahnen skolar av medicin på Mount Sinai bedömde hur AI modellerar identifierad lunginflammation i 158.000 som bröstkorgen röntgar över tre medicinska institutioner: medborgareinstituten av vård-; Det Mount Sinai sjukhuset; och Indiana universitetarsjukhus. Forskare valde till studien som diagnosen av lunginflammation på bröstkorg röntgar för dess allmänninghändelse, klinisk signifikans och prevalence i forskninggemenskapen.

I tre ut ur fem jämförelser CNNss var kapacitet, i diagnostisering av sjukdomar på X-rays från sjukhus som dess eget förutom knyter kontakt, markant lägre än på X-rays från det original- vård- systemet. Emellertid var CNNs kompetent att avkänna sjukhussystemet var X-ray ficks med engrad av exakthet och fuskades på deras predictive uppgift som baserades på prevalencen av lunginflammation på utbildningsinstitutionen. Forskare grundar att svårigheten av att använda som lärer djupt modellerar i medicin är att de använder ett massivt numrerar av parametrar, danande det som utmanar för att identifiera specifika variabler som kör förutsägelsear, liksom typerna av CT-bildläsare som används på ett sjukhus och upplösningen som är kvalitets- av att avbilda.

”Bör vårt rön ge paus till de som betraktar forutplacering av plattformar för konstgjord intelligens, utan rigorously att bedöma deras kapacitet i kliniska inställningar för verklig värld reflekterande av, var de utplaceras,” den höga författare Eric Oermann, MD, instruktör för något att säga i Neurosurgery på Icahnen skolar av medicin på Mount Sinai. ”Djupt lära modellerar utbildat för att utföra medicinsk diagnos kan generalisera väl, men detta kan inte tas för beviljat, sedan tålmodiga befolkningar och avbildatekniker skilja sig åt markant över institutioner.”,

”Om CNN-system ska användas för medicinsk diagnos, måste de anpassas försiktigt för att betrakta kliniskt ifrågasätter, testat för en variation av verklig världscenarion, och försiktigt bedömt för att bestämma, hur de får effekt exakt diagnos,” varar upphovsman till något att säga först John Zech, en medicinare på Icahnen skolar av medicin på Mount Sinai.

Bygganden för denna forskning på legitimationshandlingar som tidigare publiceras detta år i, förar journal över radiologi- och naturmedicinen, som lade ramen för att applicera datorvision och djupa lärande tekniker, det inklusive naturliga språket som bearbetar algoritmer, for identifiera kliniska begrepp i radiologi anmäler för CT-bildläsningar.

Källa: https://www.mountsinai.org/

Advertisement