旨在使患者获益的机器学习与人工智能研究：关于透明性、可重复性、伦理与有效性的20个关键问题
计算机与社会
2018-12-27 v1 机器学习
应用统计
机器学习
摘要
机器学习 (ML)、人工智能 (AI) 及其他现代统计方法为利用以往未被开发且快速增长的数据源以使患者获益提供了新机遇。尽管目前有大量前景广阔的研究正在进行，但文献整体上缺乏：透明性；便于复现的清晰报告；对潜在伦理问题的探讨；以及对有效性的清晰论证。这些问题存在的原因众多，但我们在此提供初步解决方案的一个重要原因是，当前缺乏针对 ML/AI 的最佳实践指南。尽管该领域尚未对最佳实践的标准达成共识，但我们认为，在医疗健康领域的 ML/AI 研究与影响项目方面开展工作的跨学科团队，将受益于回答一系列基于开展此类工作时所存在的重要问题。在此，我们提出了涵盖整个项目生命周期的20个问题，从立项、数据分析、模型评估到实施，以此作为促进项目规划和事后（结构化）独立评估的手段。通过在不同环境下开始回答这些问题，我们可以着手理解什么构成一个好的答案，并期望由此产生的讨论将成为开发面向医疗健康领域的透明、可复现、合乎伦理且有效的人工智能研究 (AI-TREE) 国际共识框架的核心。
引用
@article{arxiv.1812.10404,
title = {Machine learning and AI research for Patient Benefit: 20 Critical Questions on Transparency, Replicability, Ethics and Effectiveness},
author = {Sebastian Vollmer and Bilal A. Mateen and Gergo Bohner and Franz J Király and Rayid Ghani and Pall Jonsson and Sarah Cumbers and Adrian Jonas and Katherine S. L. McAllister and Puja Myles and David Granger and Mark Birse and Richard Branson and Karel GM Moons and Gary S Collins and John P. A. Ioannidis and Chris Holmes and Harry Hemingway},
journal= {arXiv preprint arXiv:1812.10404},
year = {2018}
}
备注
25 pages, 2 boxes, 1 figure