人工智能和機(jī)器學(xué)習(xí) (AI/ML) 技術(shù)不斷在多個(gè)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(xiǎn)評(píng)估和治療反應(yīng)評(píng)估。特別是，AI/ML 模型在醫(yī)學(xué)圖像分析中的應(yīng)用越來(lái)越多。這包括 X 射線、計(jì)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(gè)關(guān)鍵要求是確保它們的正確設(shè)計(jì)、培訓(xùn)和使用。然而，在現(xiàn)實(shí)中，開(kāi)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(duì)醫(yī)學(xué)上相似的病例進(jìn)行差別對(duì)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(duì)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(lái)源，并制定減輕這些偏差的策略。如果不這樣做，可能會(huì)給患者帶來(lái)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(bào)道，來(lái)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(duì)——包括醫(yī)學(xué)物理學(xué)家、AI/ML 研究人員、統(tǒng)計(jì)學(xué)家、醫(yī)生和來(lái)自監(jiān)管機(jī)構(gòu)的科學(xué)家——解決了這個(gè)問(wèn)題。在這份綜合報(bào)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(kāi)發(fā)、模型評(píng)估和模型部署的開(kāi)發(fā)和實(shí)施醫(yī)學(xué)影像 AI/ML 的五個(gè)關(guān)鍵步驟中可能出現(xiàn)的 29 個(gè)潛在偏差來(lái)源，其中有許多識(shí)別出可能在多個(gè)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(lái)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(huì)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(gè)醫(yī)療保健系統(tǒng)內(nèi)如何對(duì)待特定社會(huì)群體的差異而產(chǎn)生。此外，隨著醫(yī)學(xué)知識(shí)和實(shí)踐的發(fā)展，數(shù)據(jù)可能會(huì)過(guò)時(shí)。這在基于此類數(shù)據(jù)訓(xùn)練的 AI/ML 模型中引入了時(shí)間偏差。
其他偏差來(lái)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(jiàn)可能源于注釋者的個(gè)人偏見(jiàn)，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(qǐng)聯(lián)系刪除！