Bagaimana Kita Harus Melihat Data Klinikal Pisahkan dalam Pembelajaran Mesin Perubatan? Panggilan untuk Perspektif Arkeologi


Penyelidik dari MIT, Johns Hopkins University, dan Institut Alan Turing berpendapat bahawa menangani data perubatan berat sebelah dalam sistem AI tidak semudah yang dikatakan "sampah masuk, sampah keluar". Model berat sebelah AI telah menjadi popular dalam industri penjagaan kesihatan. Biasanya, apabila data berat sebelah, orang cuba membetulkannya dengan mengumpul lebih banyak data daripada kumpulan yang kurang diwakili atau mencipta data sintetik untuk mengimbangi keadaan. Walau bagaimanapun, para penyelidik berpendapat pendekatan teknikal ini memerlukan pandangan yang lebih luas. Mereka berkata kita harus mempertimbangkan faktor sejarah dan sosial semasa juga. Dengan melakukan ini, kita boleh menangani berat sebelah dalam kesihatan awam dengan lebih berkesan. Pengarang menyedari bahawa kami sering menganggap masalah data sebagai gangguan teknikal. Mereka membandingkan data dengan cermin retak yang mencerminkan tindakan masa lalu kita, yang mungkin tidak menunjukkan kebenaran sepenuhnya. Tetapi setelah kami memahami sejarah kami melalui data, kami boleh berusaha untuk menangani dan menambah baik amalan kami pada masa hadapan.

Dalam kertas bertajuk “Mempertimbangkan Data Bias sebagai Artifak Bermaklumat dalam Penjagaan Kesihatan Berbantukan AI,” tiga penyelidik berpendapat bahawa kita harus melihat data perubatan berat sebelah sebagai artifak berharga dalam arkeologi atau antropologi. Artifak ini mendedahkan amalan, kepercayaan dan nilai budaya yang telah membawa kepada ketidaksamaan penjagaan kesihatan. Sebagai contoh, algoritma yang digunakan secara meluas secara salah mengandaikan bahawa pesakit Hitam yang lebih sakit memerlukan penjagaan yang sama seperti pesakit kulit putih yang lebih sihat kerana ia tidak menganggap akses yang tidak sama rata kepada penjagaan kesihatan. Para penyelidik mencadangkan bahawa daripada hanya membetulkan data yang berat sebelah atau membuangnya, kita harus menggunakan pendekatan "artifak". Ini bermakna mengiktiraf bagaimana faktor sosial dan sejarah mempengaruhi pengumpulan data dan pembangunan AI klinikal. Para saintis komputer mungkin tidak memahami sepenuhnya aspek sosial dan sejarah di sebalik data yang mereka gunakan, jadi kerjasama adalah penting untuk menjadikan model AI berfungsi dengan baik untuk semua kumpulan dalam penjagaan kesihatan.

Para penyelidik mengiktiraf cabaran dalam pendekatan berasaskan artifak yang mengetahui jika data telah diperbetulkan secara perkauman, bermakna ia berdasarkan andaian bahawa badan lelaki kulit putih adalah standard untuk perbandingan. Mereka menyebut contoh di mana persamaan ukuran fungsi buah pinggang telah diperbetulkan, dengan mengandaikan orang kulit hitam mempunyai lebih banyak jisim otot. Penyelidik perlu bersedia untuk menyiasat pembetulan tersebut semasa penyelidikan mereka. Dalam kertas lain, penyelidik mendapati bahawa termasuk perlumbaan yang dilaporkan sendiri dalam model pembelajaran mesin boleh memburukkan keadaan bagi kumpulan minoriti. Bangsa yang dilaporkan sendiri adalah pembinaan sosial dan mungkin tidak selalu membantu. Pendekatan harus bergantung pada bukti yang ada.

Set data yang berat sebelah tidak boleh disimpan seperti sedia ada, tetapi ia boleh menjadi berharga apabila dianggap sebagai artifak. Para penyelidik dari Institut Kesihatan Kebangsaan (NIH) menekankan pengumpulan data beretika. Memahami berat sebelah dalam konteks yang berbeza boleh membantu mencipta AI yang lebih baik untuk populasi tertentu. Pendekatan ini juga boleh membawa kepada dasar baharu untuk menghapuskan berat sebelah. Para penyelidik masih berusaha untuk menangani isu penjagaan kesihatan semasa dan bukannya takut masalah AI hipotetikal pada masa hadapan.


Semak Kertas 1Kertas 2, dan Artikel RujukanSemua Kredit Untuk Penyelidikan Ini Ditujukan Kepada Penyelidik Projek Ini. Juga, jangan lupa untuk menyertai 30k+ ML SubReddit kami, 40k+ Komuniti Facebook, Saluran Discord, dan E-mel Surat Berita, tempat kami berkongsi berita penyelidikan AI terkini, projek AI yang hebat dan banyak lagi.

Jika anda menyukai kerja kami, anda akan menyukai surat berita kami..


bhoumik Bhoumik Mhatre

Bhoumik Mhatre ialah pelajar tahun Tiga UG di IIT Kharagpur yang mengikuti program B.tech + M.Tech dalam Kejuruteraan Perlombongan dan kecil dalam bidang ekonomi. Dia seorang Penggemar Data. Beliau kini sedang menjalani latihan penyelidikan di Universiti Nasional Singapura. Beliau juga merupakan rakan kongsi di Syarikat Digiaxx. 'Saya terpesona dengan perkembangan terkini dalam bidang Sains Data dan ingin menyelidik mengenainya.'




Pautan sumber

Tinggalkan pesanan

Alamat e-mel anda tidak akan diterbitkan. Medan yang diperlukan ditanda *

Anda boleh menggunakan tag dan atribut HTML ini: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>

ms_MYMalay