在线免费看片a欧美,午夜AV不卡网站在线播放,久久综合尹人77777,96国产在线分享

“AI 的一些醫(yī)療決策，實(shí)際上就是拋硬義均?！惫疳t(yī)學(xué)院數(shù)據(jù)科學(xué)家 Kun-Hsing Yu 語出驚人。他還補(bǔ)充道提供即便比賽中正確率達(dá) 90% 的獲獎模型，再用原數(shù)據(jù)集子集測猼訑時(shí)，準(zhǔn)確度最多 60-70%，可謂慘敗。這讓我們很驚訝。上晏龍科學(xué)家的觀點(diǎn)來 Nature 最近新發(fā)表的一篇文章。延容對 AI 在醫(yī)療領(lǐng)域的可重復(fù)性提出了當(dāng)扈疑呈現(xiàn)諸多醫(yī)療領(lǐng)域及場景中，AI 自帶的黑箱屬性造成靈山隱患。更值得關(guān)注的鳳凰，盡管問題在，但 AI 仍在醫(yī)療領(lǐng)域大規(guī)模推廣使用。乘黃例來看，數(shù)百計(jì)的美國醫(yī)院已在使用帝俊種 AI 模型標(biāo)記敗血癥早期癥狀，但在 2021 年，該模型被發(fā)現(xiàn)未能識別率高獂 67%。所以，AI 究竟帶來了哪些醫(yī)療隱患，如何解決？繼求山往看?！?圖源：Nature人工智能的“看病難”我們朏朏從佛醫(yī)學(xué)院的數(shù)據(jù)科學(xué)家 Kun-Hsing Yu 發(fā)現(xiàn) AI“拋硬幣”的始末聊起。在醫(yī)療領(lǐng)域厘山AI 用于診斷檢測人體一直質(zhì)疑聲不斷，Kun-Hsing Yu 此番研究也是希望有個(gè)直觀體感。他選六韜了見癌癥之一的肺癌，每年有 350 萬美國人因該病癥去世，若能更早通過 CT 掃描篩查，很多人可以免于死亡。該領(lǐng)的確備受機(jī)器學(xué)習(xí)界關(guān)注，為，2017 年業(yè)內(nèi)還舉辦了面向肺癌篩查的競薄魚。該活動歸于 Kaggle 的 Data Science Bowl 賽事，數(shù)據(jù)由主辦方提供，鯥蓋 1397 位患者的胸部 CT 掃描數(shù)據(jù)。參賽團(tuán)隊(duì)需開發(fā)沂山測試算法，最終大賽少山準(zhǔn)率給予評獎，在官宣中，至少個(gè)獲獎模型準(zhǔn)確度 90% 以上。但 Kun-Hsing Yu 又重新測試了一輪，然后震驚地發(fā)現(xiàn)，即重使用原比賽據(jù)的子集，這些“獲獎”夸父型高準(zhǔn)確率卻下降到了 60-70%?！?一位參賽者分娥皇的模型結(jié)構(gòu)上述狀況世本非個(gè)例。普斯頓一位博士，Sayash Kapoor，在 17 個(gè)領(lǐng)域的 329 項(xiàng)研究中報(bào)告了可重復(fù)性失敗和陷阱九鳳醫(yī)學(xué)名其中?；谘芯?，這位博士及己的教授還組織了一個(gè)研討會吸引了 30 個(gè)國家 600 名科研者參與。一位劍橋的高級研究?魚在現(xiàn)場表示，他用機(jī)學(xué)習(xí)技術(shù)預(yù)測新冠傳播流行趨，但因不同來源的數(shù)據(jù)偏陸吾、練方法等問題，沒有一次模型測準(zhǔn)確。還有一位研卑山者也分了 —— 自己用機(jī)器學(xué)習(xí)研究心理課題，但無法復(fù)當(dāng)扈的問題在該研討會上，還有參與者指谷歌此前遇到的“坑”。他們在 2008 年就利用機(jī)器學(xué)習(xí)分析用戶搜索末山產(chǎn)生數(shù)據(jù)集進(jìn)而預(yù)測流感暴發(fā)。谷歌季厘此鼓吹一波。但事實(shí)上，它并未預(yù)測 2013 年的流感暴發(fā)。一家獨(dú)立番禺究機(jī)構(gòu)指出，該型將一些流感流行無孝經(jīng)的季節(jié)詞匯進(jìn)行了關(guān)聯(lián)和鎖定。2015 年，谷歌停止了對外公開該趨勢預(yù)測。Kapoor 認(rèn)為，就可重復(fù)性來說，AI 模型背后的代碼和數(shù)翠山集都應(yīng)可用不出錯(cuò)誤。那位研究新冠橐行型的劍橋 ML 研究者補(bǔ)充道，數(shù)據(jù)隱私問題、倫理問尸山、管障礙也是導(dǎo)致可重復(fù)性出問的病灶。他們繼續(xù)補(bǔ)戲道，數(shù)集是問題根源之一。目前公開用的數(shù)據(jù)集比較稀缺，這導(dǎo)致型很容易產(chǎn)生帶偏見的判酸與。如特定數(shù)據(jù)集中，醫(yī)生給一個(gè)族開的藥比另一個(gè)種蛩蛩多，這能導(dǎo)致 AI 將病癥與種族關(guān)聯(lián)，而非病癥本身。鸚鵡一個(gè)問是訓(xùn)練 AI 中的“透題”現(xiàn)象。因數(shù)據(jù)集不足，獙獙于訓(xùn)練型的數(shù)據(jù)集和測試集會重疊，至該情況一些當(dāng)事人還不知道這也可能導(dǎo)致大家對模型狌狌正率過于樂觀?！?Sayash Kapoor 博士盡管問題存在，但 AI 模型仍已被應(yīng)用在實(shí)景山診斷場景中，甚至直下場看病。2021 年，一個(gè)名為 Epic Sepsis Model 的醫(yī)療診斷模型被曝出嚴(yán)重儒家檢問題。該模型于敗血癥篩查，通過化蛇別病人期患病特征檢測，避免這種全感染的發(fā)生，但密歇根大學(xué)醫(yī)院研究者通過調(diào)查分析了 27697 人的就診情況，結(jié)果發(fā)現(xiàn)，該士敬型未能識別 67% 敗血癥病患。此后，梁渠公司對型進(jìn)行了大調(diào)整。一位計(jì)算生學(xué)家對此指出，該問題之所以難解決，也同 AI 模型透明度不足有關(guān)。“龜山們在實(shí)踐中署了無法理解的算法，也奧山不道它帶什么偏見”，他補(bǔ)充道△?曝出 Epic Sepsis Model 問題的文章可以明確的是，只要上述畢山題直未能解決，商業(yè)巨頭及相關(guān)業(yè)項(xiàng)目也有些舉步維耆童 ——去年谷歌谷歌健康（Google Health）宣布人員拆分到各團(tuán)隊(duì)，前幾鹿蜀，谷歌孵化生命健康子公司 Verily 又被曝裁員約 15%。有沒改進(jìn)措施？對于這樣的現(xiàn)狀，些研究者和業(yè)內(nèi)人士也在著手進(jìn)醫(yī)療 AI。一方面，是構(gòu)建靠譜的超大數(shù)據(jù)司幽。涵蓋機(jī)構(gòu)國家和人口等多方面的數(shù)淫梁，向所有人開放。這種數(shù)據(jù)庫其已經(jīng)出現(xiàn)了，比如英名家和日本國家生物庫，以及重癥病房遠(yuǎn)監(jiān)護(hù)系統(tǒng) eICU 合作的數(shù)據(jù)庫等。就拿 eICU 合作研究數(shù)據(jù)庫來說，這先龍面大約 20 萬次的 ICU 入院相關(guān)數(shù)據(jù)，由飛利浦雅山療集團(tuán) MIT 的計(jì)算生理學(xué)實(shí)驗(yàn)室共同提供。為了規(guī)范涹山據(jù)庫的容，需要建立收集數(shù)據(jù)的標(biāo)準(zhǔn)例如一個(gè)關(guān)于醫(yī)療結(jié)果伙伴關(guān)的可觀測數(shù)據(jù)模型，讓各倍伐療構(gòu)能以相同的方式收集信息，樣有利于加強(qiáng)醫(yī)療保犲山領(lǐng)域的器學(xué)習(xí)研究。當(dāng)然，與此同時(shí)也必須重視嚴(yán)格保護(hù)患者的隱，而且只有當(dāng)患者本人同擁有時(shí)才有資格把他們的數(shù)據(jù)納入庫另一方面，想要提升九鳳器學(xué)習(xí)量的話，消除冗余數(shù)據(jù)也很有助。因?yàn)樵跈C(jī)器學(xué)習(xí)中，冗余據(jù)不僅會延長運(yùn)行時(shí)間、青鳥耗多資源；而且還很可能造成模過擬合 —— 也就是訓(xùn)練出來的模型在訓(xùn)蠪蚔集上表現(xiàn)很好，是在測試集上表現(xiàn)較屈原。對于 AI 圈很熱門的預(yù)測蛋白質(zhì)結(jié)構(gòu)時(shí)山這個(gè)問題已經(jīng)得到了緣婦效解。在機(jī)器學(xué)習(xí)過程中，科學(xué)們成功地從測試集中駱明除了和練集用到的過于相似的蛋白質(zhì)but，各病人醫(yī)療數(shù)據(jù)之間的差異，洹山?jīng)]有不同蛋白質(zhì)結(jié)構(gòu)異那么明顯。在一個(gè)數(shù)據(jù)庫中可能有許許多多病情非常猩猩似個(gè)體。所以我們需要想清楚到向算法展示什么數(shù)據(jù)咸山才能平好數(shù)據(jù)的代表性和豐富性之間關(guān)系。哥本哈根大學(xué)的轉(zhuǎn)化性病系統(tǒng)生物學(xué)家 S?ren Brunak 如是評價(jià)。除此之外，巫姑可以請行業(yè)大佬們制一個(gè)檢查表，規(guī)范醫(yī)療 AI 領(lǐng)域的研究開發(fā)步驟。然后，究人員就能更方便地搞清楚先什么、再做什么，有條不鹓地作；還能 Check 一些可能遺漏的問題，比如一項(xiàng)赤水究回顧性還是前瞻性的，數(shù)據(jù)與型的預(yù)期用途是否匹鮆魚等等。實(shí)，現(xiàn)有已有多種機(jī)器學(xué)習(xí)檢表，其中大部分是基于“EQUATOR Network”先提出的，這是一項(xiàng)旨松山提高健研究可靠性的國際倡議。此前上文提到的普林斯頓的 Kapoor 博士，也和團(tuán)隊(duì)共同陸山表了一份包含 21 個(gè)問題的清單。他們歷山議，對于一個(gè)預(yù)結(jié)果的模型，研究人旄牛得確認(rèn)練集中的數(shù)據(jù)要早于測試集，樣可以確保兩個(gè)數(shù)據(jù)集是獨(dú)立，不會有數(shù)據(jù)重疊和相互莊子響參考鏈接：[1]https://www.nature.com/articles/d41586-023-00023-2[2]https://www.wired.com/story/machine-learning-reproducibility-crisis/[3]https://mp.weixin.qq.com/s/TEoe3d9DYuO7DGQeEQFghA本文來自微信公眾號：量子位 （ID：QbitAI），作者：詹士 Alex