Проучване на „крехките“ предсказващи модели на AI предоставя „предупредителна история“ относно употребата в медицината

Ново изследване, което демонстрира, че моделите за машинно образование са характерни за проучването и сложни за обобщаване, дава „ предупредителна история “ за потреблението на AI в медицината, споделят специалисти.

Има вяра, че изкуственият разсъдък (AI) има капацитета да усъвършенства здравното лекуване посредством прогнозиране на резултатите от пациентите, само че ново изследване предизвестява, че моделите, задвижвани от AI, може да са лимитирани.

Изследователи в университета в Кьолн в Германия и университета Йейл в Съединени американски щати проучиха модел на машинно образование, с цел да видят какъв брой добре предсказва реакциите на пациентите с шизофрения към антипсихотични медикаменти.

Този вид прогноза може да бъде доста потребна в медицината, и по-специално в психиатрията, защото пациентите реагират друго на лекуването.

„ Някои хора реагират доста добре на медикаменти, а други не, и това от време на време затруднява облекчаването на хората от техните признаци допустимо най-бързо, ” Джоузеф Камбейц, професор по биологична психиатрия в университета в Кьолн и съавтор на проучването, сподели пред Euronews Next.

„ Често лекарите и здравните експерти нямат добър метод да плануват кои пациентът ще реагира добре на кое лекарство “, сподели той.

Резултатът от този проблем е, че може да отнеме доста време, с цел да се откри най-хубавият курс на лекуване, което някои се надяват моделите на AI да трансформират.

Но новите констатации, оповестени в, откриха, че макар че статистическите модели на ИИ са доста точни, когато са подготвени и употребявани върху набор от данни на съответен опит, те не могат да бъдат систематизирани към други изследвания.

Това допуска, че „ предсказуемите модели на машинно образование са нежни и че отличното показване в един клиничен подтекст не е мощен индикатор за успеваемост при бъдещи пациенти “, пишат създателите.

Десислава Пачаманова, професор в Babson College в Съединени американски щати, която учи предсказуем разбор и машинно образование, сподели, че изследването показва няколко „ значими ограничавания “ за потреблението на тези модели за лекуване на пациенти и „ обезпечава предупредителна история за приложението на AI в медицината като цяло ”.

„ Един от главните проблеми е естеството на медицинските данни. За да работят добре, AI моделите се нуждаят от големи количества висококачествени данни – все пак данните за лекуването на пациентите са скъпи за събиране “, добави Пачаманова, която не е взела участие в изследването.

„ Пациентите постоянно идват и отвън системата, получават лекуване в разнообразни институции и от време на време дават неверни данни за това по какъв начин следват рекомендациите на лекарите. Пълните им пътувания са сложни за следене и свързване с съответни резултати “, сподели тя.

Как откривателите са тествали моделите?

В един тест откривателите са обучили и тествали AI модели върху едни и същи данни, до момента в който в различен тест те използваха „ кръстосано валидиране “, където разделиха данните на подмножества – обучавайки AI модел на една подмножество и го тествайки върху друга неведнъж.

Вече, когато те разделиха данните на разнообразни набори, те откриха, че моделът се показва „ напълно добре, само че към този момент “ по-лошо, в сравнение с без разтрошаване на данните.

Те също тестваха моделите по-строго, като ги образоваха на данни от едно изследване и тестваха ги върху данни от друго изследване.

Те откриха, че „ моделите на ИИ работят добре, когато ги употребявате в границите на обещано изследване, само че когато ги извадите от подтекста на това проучване, те се показват доста зле “, сподели Камбейц.

Какво значи това за бъдещото потребление на изкуствен интелект за прогнозиране на здравни резултати?

Пачаманова сподели, че има потребност от повече проучвания за това по какъв начин да се усъвършенства събирането на данни и надеждността на предсказуемите модели за здравно лекуване.

„ В дълготраен проект AI ще бъде от значително значение за генериране на идващото равнище на прогрес в медицината. Осъзнаването на този капацитет обаче ще изисква смяна в цялата промишленост в метода, по който медицинските данни се получават, обработват, съхраняват и проучват от усъвършенствани модели “, добави тя.

Камбейц, в това време, предвижда, че тези планирани модели, изключително в психиатрията, няма да се употребява клинично дълго време.

В области на медицината, където данните са по-структурирани с по-малко разчитане на въпросници за пациентите, клиничното приложение на AI може би не е толкоз надалеч, Камбейц сподели, само че в психиатрията „ това е по-далеч, което значи евентуално повече от 10 години “.

Но той не се съмнява, че „ това в последна сметка ще окаже въздействие “.