Teknologi keadilan kecerdasan buatan mempunyai kepentingan yang besar dalam menyelamatkan nyawa

Profesor sains komputer Virginia Tech Daphne Yao berharap dapat meningkatkan ketepatan ramalan model pembelajaran mesin dalam aplikasi perubatan. Ramalan yang tidak tepat boleh membawa akibat yang mengancam nyawa. Kesilapan ramalan ini boleh menyebabkan kesilapan pengiraan kemungkinan pesakit mati atau terselamat daripada kanser semasa lawatan bilik kecemasan.

Penemuannya baru-baru ini diterbitkan dalam jurnal Medical Communications, jurnal yang didedikasikan untuk menerbitkan penyelidikan, ulasan dan kertas kerja berkualiti tinggi merentas semua klinikal, Terjemahan dan kesihatan awam bidang penyelidikan. Banyak set data klinikal tidak seimbang kerana ia didominasi oleh sampel populasi majoriti, kata Yao. Dalam paradigma model pembelajaran mesin satu saiz yang sesuai untuk semua, perbezaan kaum dan umur mungkin wujud tetapi mungkin diabaikan.

Yao dan pasukan penyelidiknya bekerjasama dengan Charles B. Nemeroff, ahli Akademi Perubatan Kebangsaan dan pengarah psikiatri dan sains tingkah laku di Dell School of Medicine di The University of Texas di Austin Profesor di jabatan mengkaji bagaimana berat sebelah dalam data latihan mempengaruhi hasil ramalan, terutamanya untuk pesakit yang kurang diwakili, seperti pesakit yang lebih muda atau pesakit kulit berwarna.

"Saya sangat teruja untuk bekerja dengan Yao, yang merupakan peneraju dunia dalam pembelajaran mesin lanjutan," kata Nemeroff "Dia dan saya membincangkan konsep yang akan menjadi yang baharu kemajuan dalam pembelajaran boleh digunakan untuk masalah yang sangat penting yang sering dihadapi oleh penyelidik klinikal, iaitu bilangan minoriti yang agak kecil yang biasanya mengambil bahagian dalam ujian klinikal Ini menyebabkan kesimpulan perubatan dibuat terutamanya untuk kumpulan majoriti (pesakit kulit putih keturunan Eropah). , yang mungkin tidak terpakai kepada kumpulan etnik minoriti.

" Laporan baharu ini menyediakan cara untuk meningkatkan ketepatan ramalan untuk pesakit minoriti," kata Nemeroff "Jelas sekali, penemuan ini mempunyai implikasi penting untuk meningkatkan rawatan minoriti pesakit." Penjagaan klinikal adalah sangat penting. Dikarang oleh Profesor Fred W. Bull. Untuk menjalankan kajian, mereka menjalankan eksperimen ke atas empat tugas prognostik berbeza pada dua set data, menggunakan kaedah pembetulan bias dwi-keutamaan (DP) novel untuk melatih model tersuai untuk kumpulan etnik atau umur tertentu.

"Kerja kami menunjukkan teknik keadilan AI baharu yang boleh membetulkan ralat ramalan," kata Song, pelajar kedoktoran tahun empat yang bidang penyelidikannya merangkumi kesihatan digital dan pembelajaran mesin keselamatan siber dalam . "Kaedah DP kami meningkatkan prestasi dalam kelas minoriti sehingga 38% dan dengan ketara mengurangkan perbezaan ramalan antara kumpulan demografi yang berbeza, 88% lebih baik daripada kaedah pensampelan lain." Set data End Outcomes digunakan oleh Song untuk tugasan mengenai kanser payudara dan kelangsungan hidup kanser paru-paru, manakala pelajar kedoktoran tahun lima Afrose menggunakan set data daripada Pusat Perubatan Deaconess Beth Israel di Boston untuk ramalan kematian di hospital dan luput tugas ramalan pampasan.

"Kami teruja kerana telah menemui penyelesaian untuk mengurangkan berat sebelah," kata Afrose, yang memfokuskan penyelidikannya termasuk pembelajaran mesin dalam penjagaan kesihatan dan keselamatan perisian. "Teknologi pembetulan berat sebelah DP kami akan mengurangkan ralat ramalan yang mungkin mengancam nyawa untuk kumpulan minoriti." menggunakan kaedah ini dalam analisis data klinikal mereka sendiri.

Song berkata: "Kaedah kami mudah digunakan pada pelbagai model pembelajaran mesin dan boleh membantu meningkatkan prestasi sebarang tugas prognostik dengan bias perwakilan

Atas ialah kandungan terperinci Teknologi keadilan kecerdasan buatan mempunyai kepentingan yang besar dalam menyelamatkan nyawa. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!