欢迎光临
我们一直在努力
您的位置:首页>资讯 >

研究人员研究了十年前医学AI论文中的不确定性

在大数据领域,研究人员需要确保结论可以始终可验证。但这在医学上尤其具有挑战性,因为医生们本身并不总是对疾病的诊断和治疗计划有把握。

为了研究机器学习研究历来如何处理医学不确定性,德克萨斯大学达拉斯分校的科学家加利福尼亚大学旧金山分校;新加坡国立大学;在过去30年中,还有超过六家其他机构进行了元数据研究。他们发现,由于数据和模型的不精确测量,缺失值和其他错误而导致的不确定性在数据和模型中很常见,但可以通过深度学习技术解决这些问题。

合著者试图量化研究中两种类型不确定性的普遍性:结构不确定性和模型参数不确定性。结构不确定性涉及AI模型结构(即体系结构)的使用方式以及它们推断信息的准确性,而模型参数的不确定性则考虑选择用于从给定语料库进行预测的参数(模型内部的配置变量)。

研究人员研究了1991年至2020年间由电气与电子工程师协会(IEEE),荷兰出版商Elsevier和美国学术期刊出版商Springer发表的165篇论文。合著者报告说,针对不确定性的论文数量从1增加到1。 1至6篇论文(1991年至2009年)至7到21篇论文(2010年至2020年),这归因于关于不确定性如何影响临床结果的共识日益增加。

根据合著者的说法,研究使用六种经典机器学习技术之一处理不确定性:贝叶斯推理(研究的27%),模糊系统(研究的24%),蒙特卡洛模拟(研究的18%),粗糙分类(研究的11%) ,Dempster-Shafer理论(14%)和不精确概率(7%)。但是,每种技术都具有固有的缺点:

贝叶斯推理在整合先验知识的同时解决了结构不确定性和参数不确定性,但是它在计算上要求很高。

模糊系统可以从不熟悉的数据集中快速学习,但是在输入数量方面受到限制。

蒙特卡洛模拟可以用易于解释的结果回答分析上难以解决的问题,但其解决方案并不精确。

粗略分类不需要有关数据的初步信息,并且可以自动生成一组决策规则,但是它不能处理实值数据(即实数)。

Dempster-Shafer理论解释了多种证据来源,但计算量很大。

不精确的概率使处理矛盾的证据变得更容易,但同时又具有很高的计算负担。

研究人员建议深度学习作为对经典机器学习缺点的一种补救方法,因为它对不确定性具有鲁棒性-即使在存在噪声的情况下,深度学习算法也能更好地推广。该团队指出,例如,在最近的工作中,深度学习算法已被证明可以在嘈杂的心电图信号中实现强大的性能。

研究人员写道:“将来,可能会探索深度学习模型以减轻医学数据中噪声的存在。”“对不确定性进行正确的量化可为最佳决策提供有价值的信息。”

该研究的发现是关于将AI应用于医学的辩论的另一个数据点。Google最近发表了一份白皮书,发现预测眼疾的系统在现实世界中是不切实际的,部分原因是技术和临床失误。STAT报告说,未经证实的AI算法已用于预测COVID-19患者的人数下降。像巴比伦健康(Babylon Health)这样的公司声称他们的系统可以诊断疾病,人类医生也受到监管机构和临床医生的审查。

免责声明:本网站图片,文字之类版权申明,因为网站可以由注册用户自行上传图片或文字,本网站无法鉴别所上传图片或文字的知识版权,如果侵犯,请及时通知我们,本网站将在第一时间及时删除。