生物醫(yī)學研究中的人工智能標準

一個國際科學家小組，包括ELIXIR 機器學習焦點小組，制定了一套指導方針，以更好地報告 AI 方法的標準，旨在對生物醫(yī)學數(shù)據(jù)進行分類。這種方法的例子是機器學習預測器，它試圖根據(jù)遺傳和其他數(shù)據(jù)識別某人是否患有特定的罕見疾病，或者預測方法旨在識別癌癥患者對哪種藥物反應最好。這些建議發(fā)表在著名期刊《自然方法》上。

Tom Lenaerts 教授，ELIXIR 機器學習焦點小組成員，現(xiàn)任IB²、布魯塞爾自由大學和布魯塞爾自由大學生物信息學研究所所長：“如今機器學習和深度學習的流行給人的印象是新穎的無需過多考慮數(shù)據(jù)和實際目標，即可快速設計 AI 工具。這不是問題。當人們不完全了解預測方法中使用的數(shù)據(jù)和特征的性質時，很容易出現(xiàn)不準確。在醫(yī)學和生物領域，一半以上的時間應該花在設計高質量的數(shù)據(jù)集和尋找正確的特征集來訓練方法上。”

發(fā)表在Nature Methods 上的文章為旨在構建或發(fā)布生物和醫(yī)學科學的監(jiān)督分類方法的任何人提供了清單和建議。關于應該在科學論文中報告什么的指導方針使得可以充分評估新方法的形式和質量，并滿足可重復性保證。建議報道新型 AI 預測方法的頂級期刊納入這些 DOME 指南，以確保生物醫(yī)學 AI 領域的進步保持最高標準，就像任何其他生物醫(yī)學設備的情況一樣。

萊納茨：“盡管新型預測 AI 方法可能為分子或疾病理解和潛在的患者護理帶來好處，但它們通常會遇到可重復性和清晰度問題，以及在最壞情況下與預測器中使用的數(shù)據(jù)和方法相關的設計和偏差問題。對這些方法的主要部分的不充分解釋不僅會導致不信任，還會阻礙將建議的方法轉移到診所，從而阻礙患者護理。通過將本文中要求的信息添加到您自己的手稿或任何人都可以查閱的在線文檔中，可以將小麥與谷殼分開，并將這些領域的機器學習產(chǎn)品標準提高到更高的水平。遵循 DOME 的建議，人們會發(fā)現(xiàn) AI 解決方案相關且有用，

Tom Lenaerts 是IB²、布魯塞爾自由大學和布魯塞爾自由大學生物信息學研究所的主任，ULB 機器學習小組 (MLG) 的聯(lián)合負責人，部分隸屬于布魯塞爾自由大學的人工智能實驗室。MLG 和 AI 實驗室都是歐洲 AI 網(wǎng)絡 CLAIRE和位于布魯塞爾的新AI 公共利益研究所 FARI 的成員。Tom Lenaerts 是 ELIXIR 機器學習焦點小組的成員，并在文章中如此命名。文章中報告了與 ULB、VUB 和 IB² 的從屬關系。

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關。財經(jīng)信息僅供讀者參考，并不構成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權請聯(lián)系刪除！