精准健康中众包与人在回路工作流的视角
人机交互
2024-06-05 v2 计算机与社会
摘要
现代机器学习方法已催生出针对多种健康状况的高性能诊断模型。若干机器学习方法，如决策树与深度神经网络，原则上可逼近任意函数。然而，当输入数据异质且高维、输出类别高度非线性时，过拟合倾向会被放大，因此这种能力可谓祸福相依。该问题尤其困扰以主观标准诊断行为与精神疾病的诊断系统。对此新兴的解决方案是众包，即付费给众包工作者标注复杂行为特征，以换取金钱报酬或游戏化体验。这些标签随后可用于推导诊断，或直接用于此目的，或作为诊断机器学习模型的输入。本观点文章描述了这一新兴领域的现有工作，并探讨了众包驱动诊断系统（一个 nascent 的研究领域）的持续挑战与机遇。若能予以正确考量，在针对复杂细微健康状况预测的人在回路机器学习工作流中引入众包，可加速筛查、诊断，并最终加速就医可及性。
引用
@article{arxiv.2303.03578,
title = {A Perspective on Crowdsourcing and Human-in-the-Loop Workflows in Precision Health},
author = {Peter Washington},
journal= {arXiv preprint arXiv:2303.03578},
year = {2024}
}