AI w opiece zdrowotnej - bliżej!

W tym artykule omówię kilka praktycznych rozważań i wyzwań związanych ze stosowaniem sztucznej inteligencji w diagnostyce medycznej. Krytyczność związana z tą dziedziną sprawia, że ​​ważne jest, aby zwracać uwagę na te wyzwania poza podstawowymi praktykami AI / ML.

Zagadnienia dotyczące zbioru danych

1. Niezbilansowany zbiór danych - Obecność większej liczby próbek danych bez choroby, a nie z chorobą, skutkuje niezrównoważonymi zbiorami danych, a zatem stwarza problemy w uczeniu algorytmów do analizy medycznej.

a) Resampling danych (Oversampling, Undersampling, itp.)

b) Modyfikacja funkcji straty, tj. wykorzystanie straty ważonej w celu uwzględnienia skutków klas niezrównoważonych.

2. Mały zestaw danych szkoleniowych - brak oznaczonego zestawu danych lub niewielka dostępność danych szkoleniowych, szczególnie w przypadku zadań związanych z analizą obrazu, takich jak wykrywanie chorób klatki piersiowej za pomocą RTG klatki piersiowej, wykrywanie guza mózgu za pomocą skanów MRI itp.

Rozwiązanie : -

a) Transfer uczenia się - Transfer uczenia się oznacza przystosowanie sieci wyszkolonej do jednego problemu do innego. Dzięki uczeniu się transferowemu możemy zbudować dobre klasyfikatory z kilkuset obrazami. Więcej informacji na temat transferu uczenia się znajdziesz tutaj .

b) Rozszerzanie danych - możemy zastosować różne transformacje danych, aby zwiększyć zakres danych szkoleniowych. Jedyną rzeczą, na którą musimy uważać w przypadku transformacji danych obrazu medycznego, jest wybór transformacji, mając na uwadze, że etykieta Y po transformacji (podstawowa prawda) pozostaje prawdziwa.

Np. Jeśli na zdjęciu rentgenowskim klatki piersiowej stosuje się poziome odwrócenie, które spowoduje, że serce pojawi się po innej stronie, oznacza to odrębny rodzaj problemu medycznego. Więcej informacji na temat rozszerzania danych znajdziesz tutaj .

Zagadnienia dotyczące testowania modeli

• Nakładanie się pacjentów - podczas tworzenia zestawu treningowego, walidacyjnego i testowego należy upewnić się, że nie ma nakładania się pacjentów między tymi zestawami, ponieważ ten problem może skutkować zbyt optymistycznymi wynikami testów z powodu tych samych pacjentów obecnych w zestawach treningowych i testowych. Aby rozwiązać ten problem, należy rozszczepić pacjenta w zależności od pacjenta.
• Podejmowanie decyzji co do podstawowej prawdy - Podjęcie decyzji co do podstawowej prawdy dla próbki jest innym wyzwaniem, które może powstać z powodu sporu między obserwatorami, gdy opinia jednego lekarza może różnić się od drugiej i jest dość powszechna w dziedzinie medycyny. Głosowanie konsensualne, w którym bierze się pod uwagę grupę ekspertów w celu ustalenia podstawowej prawdy, może być sposobem rozwiązania tego problemu.

• Charakterystyka różnych populacji - osiągnięcie wiarygodnego uogólnienia jest wyzwaniem dla modeli sztucznej inteligencji wykorzystujących dane medyczne. Na przykład dane rentgenowskie klatki piersiowej w Indiach mogą wyglądać zupełnie inaczej niż w Stanach Zjednoczonych, więc model oparty na danych pacjentów z USA może nie być zbyt skuteczny w innych lokalizacjach.
• Walidacja zewnętrzna - chociaż modele sztucznej inteligencji są zbudowane na danych historycznych, ale to, jak działa na danych ze świata rzeczywistego, oznacza, czy model sztucznej inteligencji może być bezpośrednio używany, czy też wymaga dopracowania zgodnie z nowymi danymi. Aby jednak zrozumieć użyteczność modeli sztucznej inteligencji w świecie rzeczywistym, należy je zastosować do danych ze świata rzeczywistego (dane perspektywiczne).

Piśmiennictwo :

• https://www.coursera.org/learn/ai-for-medical-diagnosis/ungradedLab/gjDcc/counting-labels-and-weighted-loss-function
• https://www.coursera.org/learn/ai-for-medical-diagnosis/lecture/VNkO2/multi-task-loss-dataset-size-and-cnn-architectures
• https://www.coursera.org/learn/ai-for-medical-diagnosis/lecture/RVBZK/measuring-patient-outcomes