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

Ново проучване, което показва, че моделите за машинно обучение са специфични за изследването и трудни за обобщаване, предоставя „предупредителна история“ за използването на AI в медицината, казват експерти.

Има надежда, че изкуственият интелект (AI) има потенциала да подобри медицинското лечение чрез прогнозиране на резултатите от пациентите, но ново проучване предупреждава, че моделите, задвижвани от AI, може да са ограничени.

Изследователи в университета в Кьолн в Германия и университета Йейл в САЩ анализираха модел на машинно обучение, за да видят колко добре предсказва реакциите на пациентите с шизофрения към антипсихотични лекарства.

Този тип прогноза може да бъде много полезна в медицината, и по-специално в психиатрията, тъй като пациентите реагират различно на лечението.

„Някои хора реагират много добре на лекарства, а други не, и това понякога затруднява облекчаването на хората от техните симптоми възможно най-бързо, ” Джоузеф Камбейц, професор по биологична психиатрия в университета в Кьолн и съавтор на изследването, каза пред Euronews Next.

„Често лекарите и здравните специалисти нямат добър начин да предвидят кои пациентът ще реагира добре на кое лекарство“, каза той.

Резултатът от този проблем е, че може да отнеме много време, за да се намери най-добрият курс на лечение, което някои се надяват моделите на AI да променят.

Но новите констатации, публикувани в, установиха, че въпреки че статистическите модели на ИИ са много точни, когато са обучени и използвани върху набор от данни на конкретен опит, те не могат да бъдат обобщени към други проучвания.

Това предполага, че „предсказуемите модели на машинно обучение са крехки и че отличното представяне в един клиничен контекст не е силен показател за ефективност при бъдещи пациенти“, пишат авторите.

Десислава Пачаманова, професор в Babson College в САЩ, която изучава предсказуем анализ и машинно обучение, каза, че проучването посочва няколко „важни ограничения“ за използването на тези модели за лечение на пациенти и „осигурява предупредителна история за приложението на AI в медицината като цяло”.

„Един от основните проблеми е естеството на медицинските данни. За да работят добре, AI моделите се нуждаят от огромни количества висококачествени данни – въпреки това данните за лечението на пациентите са скъпи за събиране“, добави Пачаманова, която не е участвала в проучването.

„Пациентите често идват и извън системата, получават лечение в различни институции и понякога предоставят грешни данни за това как следват препоръките на лекарите. Пълните им пътувания са трудни за проследяване и свързване с конкретни резултати“, каза тя.

Как изследователите са тествали моделите?

В един тест изследователите са обучили и тествали AI модели върху едни и същи данни, докато в друг тест те използваха „кръстосано валидиране“, където разделиха данните на подмножества – обучавайки AI модел на една подмножество и го тествайки върху друга многократно.

Вече, когато те разделиха данните на различни набори, те откриха, че моделът се представя „съвсем добре, но вече“ по-лошо, отколкото без разбиване на данните.

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

Те откриха, че „моделите на ИИ работят добре, когато ги използвате в рамките на дадено проучване, но когато ги извадите от контекста на това изследване, те се представят много зле“, каза Камбейц .

Какво означава това за бъдещото използване на изкуствен интелект за прогнозиране на здравни резултати?

Пачаманова каза, че има нужда от повече изследвания за това как да се подобри събирането на данни и надеждността на предсказуемите модели за медицинско лечение.

„В дългосрочен план AI ще бъде от съществено значение за генериране на следващото ниво на напредък в медицината. Осъзнаването на този потенциал обаче ще изисква промяна в цялата индустрия в начина, по който медицинските данни се придобиват, обработват, съхраняват и анализират от усъвършенствани модели“, добави тя.

Камбейц, междувременно, прогнозира, че тези прогнозни модели , особено в психиатрията, няма да се използва 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 толкова далеч, Камбейц каза, но в психиатрията „това е по-далеч, което означава вероятно повече от десет години“.

Но той не се съмнява, че „това в крайна сметка ще окаже влияние“.

Последвайте ни в