从不确定性到信任：面向AI驱动医疗预测的核Dropout方法
机器学习
2025-02-04 v2
摘要
具有可信置信度的AI驱动医疗预测对于确保在医疗应用中负责任地使用AI至关重要。AI日益增长的能力引发了人们对其在医疗领域可信度的质疑，特别是由于决策过程不透明和数据可用性有限。本文提出了一种新颖的方法来应对这些挑战，引入了一个带有核建模的贝叶斯蒙特卡洛Dropout模型。我们的模型旨在增强在小型医疗数据集上的可靠性，这是AI在医疗领域更广泛采用的一个关键障碍。该模型利用现有的语言模型来提高有效性，并无缝集成到当前的工作流程中。对公开医疗数据集的广泛评估展示了我们的模型在多种任务上的优越性能。我们证明了即使在数据有限的情况下，可靠性也有显著提升，这为建立对AI驱动医疗预测的信任，并释放其改善患者护理的潜力迈出了有希望的一步。
引用
@article{arxiv.2404.10483,
title = {From Uncertainty to Trust: Kernel Dropout for AI-Powered Medical Predictions},
author = {Ubaid Azam and Imran Razzak and Shelly Vishwakarma and Hakim Hacid and Dell Zhang and Shoaib Jameel},
journal= {arXiv preprint arXiv:2404.10483},
year = {2025}
}