Why Do Clinical Probabilistic Models Fail To Transport Between Sites?

要約

医療分野における人工知能の人気の高まりにより、トレーニング現場では超人的な臨床パフォーマンスを達成している計算モデルが、新しい現場では大幅にパフォーマンスが低下する可能性があるという問題が浮き彫りになっています。
この観点から、我々はこの輸送失敗の共通のソースを提示し、それを実験者の制御下にあるソースと臨床データ生成プロセスに固有のソースに分けます。
固有の情報源のうち、データ分布に影響を与える可能性のある部位固有の臨床実践をもう少し詳しく調べ、通常の病気の原因と結果のパターンからデータ上のそれらの実践の痕跡を分離することを目的とした潜在的なソリューションを提案します。
臨床モデルのターゲット。

要約(オリジナル)

The rising popularity of artificial intelligence in healthcare is highlighting the problem that a computational model achieving super-human clinical performance at its training sites may perform substantially worse at new sites. In this perspective, we present common sources for this failure to transport, which we divide into sources under the control of the experimenter and sources inherent to the clinical data-generating process. Of the inherent sources we look a little deeper into site-specific clinical practices that can affect the data distribution, and propose a potential solution intended to isolate the imprint of those practices on the data from the patterns of disease cause and effect that are the usual target of clinical models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google