NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Yapay zekanın (AI) tıp topluluğu tarafından benimsenmesi, olağanüstü performans sağlayan yapay zeka sistemlerini sergileyen bir makine öğrenimi literatürü akışı tarafından desteklenerek uzun zamandır bekleniyor. Bununla birlikte, bu sistemlerin birçoğu muhtemelen aşırı umut vericidir ve pratikte yetersiz teslim edecektir. Bunun önemli bir nedeni, topluluğun verilerdeki enflasyonist etkilerin varlığını kabul etme ve ele almadaki başarısızlığıdır. Bunlar aynı anda değerlendirme performansını şişirir ve bir modelin altta yatan görevi öğrenmesini önler, böylece bu modelin gerçek dünyada nasıl performans göstereceğini ciddi şekilde yanlış açıklar. Bu makale, bu enflasyon etkilerinin sağlık hizmetleri görevleri üzerindeki etkisini ve bu etkilerin nasıl ele alınabileceğini araştırdı. Spesifik olarak, tıbbi veri kümelerinde ortaya çıkan üç enflasyon etkisini tanımladık ve modellerin küçük eğitim kayıplarına kolayca ulaşmasını ve ustaca öğrenmeyi önlemesini sağladık. Parkinson hastalığı olan ve olmayan katılımcılardan iki adet sürekli sesli harf fonasyonu veri setini araştırdık ve bunlar üzerinde yüksek sınıflandırma performansları elde eden yayınlanmış modellerin enflasyon etkileri nedeniyle yapay olarak arttırıldığını ortaya çıkardık. Deneylerimiz, her enflasyon etkisinin kaldırılmasının sınıflandırma doğruluğunda bir azalmaya karşılık geldiğini ve tüm enflasyon etkilerinin kaldırılmasının değerlendirilen performansı% 30'a kadar azalttığını gösterdi. Ek olarak, daha gerçekçi bir test setindeki performans arttı ve bu enflasyon etkilerinin kaldırılmasının modelin altta yatan görevi daha iyi öğrenmesini ve genelleştirmesini sağladığını öne sürdü. Kaynak kodu, MIT lisansı altında https://github.com/Wenbo-G/pd-fonasyon-analizinde mevcuttur.
Özgün kaynak özetini okuyun
Adoption of artificial intelligence (AI) by the medical community has long been anticipated, endorsed by a stream of machine learning literature showcasing AI systems that yield extraordinary performance. However, many of these systems are likely over-promising and will under-deliver in practice. One key reason is the community's failure to acknowledge and address the presence of inflationary effects in the data. These simultaneously inflate evaluation performance and prevent a model from learning the underlying task, thus severely misrepresenting how that model would perform in the real world. This paper investigated the impact of these inflationary effects on healthcare tasks, as well as how these effects can be addressed. Specifically, we defined three inflationary effects that occur in medical data sets and allow models to easily reach small training losses and prevent skillful learning. We investigated two data sets of sustained vowel phonation from participants with and without Parkinson's disease, and revealed that published models which have achieved high classification performances on these were artificially enhanced due to the inflationary effects. Our experiments showed that removing each inflationary effect corresponded with a decrease in classification accuracy, and that removing all inflationary effects reduced the evaluated performance by up to 30%. Additionally, the performance on a more realistic test set increased, suggesting that the removal of these inflationary effects enabled the model to better learn the underlying task and generalize. Source code is available at https://github.com/Wenbo-G/pd-phonation-analysis under the MIT license.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.