人工智能和機(jī)器學(xué)習(xí) (AI/ML) 技術(shù)不斷在多個學(xué)科中尋找新的應(yīng)用。醫(yī)學(xué)也不例外，人工智能/機(jī)器學(xué)習(xí)被用于各種疾病的診斷、預(yù)后、風(fēng)險評估和治療反應(yīng)評估。特別是，AI/ML 模型在醫(yī)學(xué)圖像分析中的應(yīng)用越來越多。這包括 X 射線、計算機(jī)斷層掃描和磁共振圖像。在醫(yī)學(xué)成像中成功實(shí)施 AI/ML 模型的一個關(guān)鍵要求是確保它們的正確設(shè)計、培訓(xùn)和使用。然而，在現(xiàn)實(shí)中，開發(fā)適用于所有人口成員并且可以推廣到所有情況的 AI/ML 模型極具挑戰(zhàn)性。
與人類非常相似，AI/ML 模型可能存在偏差，并可能導(dǎo)致對醫(yī)學(xué)上相似的病例進(jìn)行差別對待。盡管存在與引入此類偏差相關(guān)的因素，但解決這些偏差并確保對用于醫(yī)學(xué)成像的 AI/ML 的公平、公正和信任非常重要。這需要確定醫(yī)學(xué)成像 AI/ML 中可能存在的偏差來源，并制定減輕這些偏差的策略。如果不這樣做，可能會給患者帶來不同的好處，加劇醫(yī)療保健獲取的不平等。
據(jù)《醫(yī)學(xué)影像學(xué)雜志》(JMI)報道，來自醫(yī)學(xué)影像和數(shù)據(jù)資源中心 (MIDRC) 的多機(jī)構(gòu)專家團(tuán)隊——包括醫(yī)學(xué)物理學(xué)家、AI/ML 研究人員、統(tǒng)計學(xué)家、醫(yī)生和來自監(jiān)管機(jī)構(gòu)的科學(xué)家——解決了這個問題。在這份綜合報告中，他們確定了在從數(shù)據(jù)收集、數(shù)據(jù)準(zhǔn)備和注釋、模型開發(fā)、模型評估和模型部署的開發(fā)和實(shí)施醫(yī)學(xué)影像 AI/ML 的五個關(guān)鍵步驟中可能出現(xiàn)的 29 個潛在偏差來源，其中有許多識別出可能在多個步驟中發(fā)生的偏差。討論了偏差緩解策略，并且還在MIDRC 網(wǎng)站上提供了信息。
偏差的主要來源之一在于數(shù)據(jù)收集。例如，從一家醫(yī)院或單一類型的掃描儀獲取圖像可能會導(dǎo)致數(shù)據(jù)收集有偏差。數(shù)據(jù)收集偏差也可能由于在研究期間和整個醫(yī)療保健系統(tǒng)內(nèi)如何對待特定社會群體的差異而產(chǎn)生。此外，隨著醫(yī)學(xué)知識和實(shí)踐的發(fā)展，數(shù)據(jù)可能會過時。這在基于此類數(shù)據(jù)訓(xùn)練的 AI/ML 模型中引入了時間偏差。
其他偏差來源在于數(shù)據(jù)準(zhǔn)備和注釋，并與數(shù)據(jù)收集密切相關(guān)。在此步驟中，可以根據(jù)數(shù)據(jù)在輸入 AI/ML 模型進(jìn)行訓(xùn)練之前的標(biāo)記方式引入偏差。這種偏見可能源于注釋者的個人偏見，或者源于與數(shù)據(jù)本身如何呈現(xiàn)給負(fù)責(zé)標(biāo)記的用戶有關(guān)的疏忽。
標(biāo)簽：
免責(zé)聲明：本文由用戶上傳，如有侵權(quán)請聯(lián)系刪除！