人工智能和機器學習 (AI/ML) 技術不斷在多個學科中尋找新的應用。醫(yī)學也不例外，人工智能/機器學習被用于各種疾病的診斷、預后、風險評估和治療反應評估。特別是，AI/ML 模型在醫(yī)學圖像分析中的應用越來越多。這包括 X 射線、計算機斷層掃描和磁共振圖像。在醫(yī)學成像中成功實施 AI/ML 模型的一個關鍵要求是確保它們的正確設計、培訓和使用。然而，在現(xiàn)實中，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，并可能導致對醫(yī)學上相似的病例進行差別對待。盡管存在與引入此類偏差相關的因素，但解決這些偏差并確保對用于醫(yī)學成像的 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)學影像學雜志》(JMI)報道，來自醫(yī)學影像和數(shù)據(jù)資源中心 (MIDRC) 的多機構(gòu)專家團隊——包括醫(yī)學物理學家、AI/ML 研究人員、統(tǒng)計學家、醫(yī)生和來自監(jiān)管機構(gòu)的科學家——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)準備和注釋、模型開發(fā)、模型評估和模型部署的開發(fā)和實施醫(yī)學影像 AI/ML 的五個關鍵步驟中可能出現(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)學知識和實踐的發(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)準備和注釋，并與數(shù)據(jù)收集密切相關。在此步驟中，可以根據(jù)數(shù)據(jù)在輸入 AI/ML 模型進行訓練之前的標記方式引入偏差。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)給負責標記的用戶有關的疏忽。
標簽：
免責聲明：本文由用戶上傳，如有侵權請聯(lián)系刪除！