Daniel Rubin博士將開發(fā)新的AI算法

在SIIM20虛擬會議期間的一次網絡研討會上，斯坦福大學生物醫(yī)學數據科學教授兼生物醫(yī)學信息學總監(jiān)Daniel Rubin博士指出，開發(fā)健壯的AI算法面臨挑戰(zhàn)。

魯賓解釋說，大多數AI模型僅由一兩個機構的數據構建而成，可能不會推廣到以前從未見過的數據。它可能無法區(qū)分患者人群的差異以及成像設備或參數的差異，并且罕見疾病可能不足。魯賓說：“這些數據可能無法代表現實世界。”

最近的一項研究對來自三個用于檢測的不同機構的近16萬張胸部X射線進行了研究，發(fā)現結果基于用于訓練和測試的數據集而有所不同。

“總的來說，可靠性是一個問題，取決于如何訓練數據，”魯賓說。

解決該問題的一種方法是擴充數據，并在其他圖像上訓練模型。

“最終，這還不夠，”魯賓說。“您確實需要獲取盡可能多的帶注釋的數據。而且，不可能獲得無數的質量注釋數據，因為在完成本研究并試圖說服放射科醫(yī)生注釋病例后，將這些注釋完成是非常昂貴的。您知道他們免費為這些注釋做些什么。”

可以使用尚未注釋的圖像生成所謂的“弱數據”，并為其生成標簽。魯賓引用了最近的一項研究，即針對200,000個帶有弱標簽的案例的算法要比針對20,000個帶有高質量標簽的案例進行訓練的算法更好。

魯賓說：“您擁有的數據越多，性能越好”。

最好從多個站點收集數據，但這具有挑戰(zhàn)性，涉及與存儲和合法性有關的問題。魯賓說，一種解決方案是聯(lián)合學習，即“將模型帶入數據，而不是將數據帶入模型”。但是，集中式數據通常更好，跨站點數據的異質性會降低聯(lián)合學習，跨站點的標簽存在差異，并且并非所有機構都具有足夠的IT硬件。

哈佛大學醫(yī)學院放射學副教授，麻省總醫(yī)院神經科學助理Jayashree Kalpathy-Cramer指出，在算法啟動和運行時進入障礙很低，尤其是在時代。盡管如今創(chuàng)建AI算法非常容易，但是創(chuàng)建寬泛，健壯，公正，公正，自我意識并提供不確定性度量的AI算法卻很困難。

Kalpathy-Cramer說：“大多數出版物對數據集的偏見都非常大，因為與正常病例或相比，它們對COVID病例使用了不同的數據集。”“我們最終看到的是，這些應該以如此高的水平執(zhí)行的算法實際上只是在學習數據集之間的差異。”