根據(jù)發(fā)表在《放射學(xué)：人工智能》雜志上的一份特別報(bào)告，隨著人工智能 (AI) 在放射學(xué)中的使用越來越多，在將機(jī)器學(xué)習(xí)系統(tǒng)用于現(xiàn)實(shí)世界的臨床場景之前，最大限度地減少機(jī)器學(xué)習(xí)系統(tǒng)中的偏差至關(guān)重要。
該報(bào)告是三部分系列的第一篇，概述了機(jī)器學(xué)習(xí)系統(tǒng)開發(fā)的數(shù)據(jù)處理階段使用的次優(yōu)實(shí)踐，并提出了緩解它們的策略。
“在開發(fā)機(jī)器學(xué)習(xí)系統(tǒng)的數(shù)據(jù)處理階段，會發(fā)生 12 種次優(yōu)實(shí)踐，每一種都可能使系統(tǒng)產(chǎn)生偏見，”放射學(xué)教授兼醫(yī)學(xué)博士 Bradley J. Erickson 說。明尼蘇達(dá)州羅切斯特梅奧診所的人工智能實(shí)驗(yàn)室。“如果這些系統(tǒng)性偏差未被識別或無法準(zhǔn)確量化，則會出現(xiàn)次優(yōu)結(jié)果，從而限制人工智能在現(xiàn)實(shí)世界中的應(yīng)用。”
Erickson 博士表示，正確處理數(shù)據(jù)的話題越來越受到關(guān)注，但關(guān)于正確管理大數(shù)據(jù)的指南卻很少。
“監(jiān)管挑戰(zhàn)和轉(zhuǎn)化差距仍然阻礙了機(jī)器學(xué)習(xí)在現(xiàn)實(shí)世界臨床場景中的實(shí)施。然而，我們預(yù)計(jì)放射學(xué) AI 系統(tǒng)的指數(shù)增長將加速消除這些障礙，”埃里克森博士說。“為了準(zhǔn)備機(jī)器學(xué)習(xí)系統(tǒng)以供采用和臨床實(shí)施，我們必須盡量減少偏見。”
在報(bào)告中，Erickson 博士和他的團(tuán)隊(duì)針對機(jī)器學(xué)習(xí)系統(tǒng)開發(fā)的四個(gè)數(shù)據(jù)處理步驟(每個(gè)數(shù)據(jù)處理步驟三個(gè))中出現(xiàn)的 12 種次優(yōu)實(shí)踐提出了緩解策略，包括：
數(shù)據(jù)收集——數(shù)據(jù)集識別不當(dāng)、數(shù)據(jù)來源單一、數(shù)據(jù)來源不可靠
數(shù)據(jù)調(diào)查——探索性數(shù)據(jù)分析不充分，沒有領(lǐng)域?qū)I(yè)知識的探索性數(shù)據(jù)分析，未能觀察到實(shí)際數(shù)據(jù)
數(shù)據(jù)拆分——數(shù)據(jù)集之間的泄漏、不具代表性的數(shù)據(jù)集、對超參數(shù)的過度擬合
數(shù)據(jù)工程——不正確的特征刪除、不正確的特征重新縮放、缺失數(shù)據(jù)的管理不善
埃里克森博士說，醫(yī)學(xué)數(shù)據(jù)通常遠(yuǎn)非理想地適合作為機(jī)器學(xué)習(xí)算法的輸入。
“這些步驟中的每一個(gè)都可能容易出現(xiàn)系統(tǒng)性或隨機(jī)性偏差，”他說。“開發(fā)人員有責(zé)任在數(shù)據(jù)采樣、去識別、注釋、標(biāo)簽和管理缺失值等具有挑戰(zhàn)性的場景中準(zhǔn)確處理數(shù)據(jù)。”
根據(jù)該報(bào)告，數(shù)據(jù)收集前的仔細(xì)規(guī)劃應(yīng)包括對臨床和技術(shù)文獻(xiàn)的深入審查以及與數(shù)據(jù)科學(xué)專家的合作。
“多學(xué)科機(jī)器學(xué)習(xí)團(tuán)隊(duì)?wèi)?yīng)該擁有同時(shí)具備數(shù)據(jù)科學(xué)和領(lǐng)域(臨床)專業(yè)知識的成員或領(lǐng)導(dǎo)者，”他說。
為了開發(fā)更加異構(gòu)的訓(xùn)練數(shù)據(jù)集，Erickson 博士和他的合著者建議從不同地理位置的多個(gè)機(jī)構(gòu)收集數(shù)據(jù)，使用來自不同供應(yīng)商和不同時(shí)間的數(shù)據(jù)，或者包括公共數(shù)據(jù)集。
“創(chuàng)建一個(gè)強(qiáng)大的機(jī)器學(xué)習(xí)系統(tǒng)需要研究人員進(jìn)行偵探工作并尋找數(shù)據(jù)可能欺騙你的方式，”他說。“在你將數(shù)據(jù)放入訓(xùn)練模塊之前，你必須對其進(jìn)行分析，以確保它反映你的目標(biāo)人群。人工智能不會為你做這件事。”
Erickson 博士說，即使經(jīng)過出色的數(shù)據(jù)處理，機(jī)器學(xué)習(xí)系統(tǒng)仍然容易出現(xiàn)明顯的偏差。放射學(xué)：人工智能系列的第二和第三篇報(bào)告?zhèn)戎赜谀Ｐ烷_發(fā)和模型評估和報(bào)告階段出現(xiàn)的偏差。
“近年來，機(jī)器學(xué)習(xí)已在許多臨床研究領(lǐng)域證明了它的實(shí)用性，從重建圖像和假設(shè)檢驗(yàn)到改進(jìn)診斷、預(yù)后和監(jiān)測工具，”埃里克森博士說。“這一系列報(bào)告旨在識別機(jī)器學(xué)習(xí)開發(fā)過程中的錯(cuò)誤做法，并盡可能多地減少這些做法。”
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！