Metric Hub：面向医学 AI 中以用例为导向的数据质量评估的数据质量度量库与实用选择工作流程
机器学习
2026-02-02 v1
摘要
医学机器学习（ML）已从研究转向旨在支持治疗选择、监测和治疗等多种医疗目的的具体应用。临床医生和患者的接受度和实际采用，以及监管批准，都需要可信度的证据。医学 AI 开发的重要因素之一是量化数据质量，用于 AI 模型的训练和测试。我们最近提出了 METRIC 框架，用于系统性地评估数据对于特定任务在医学 ML 中的合适性（fit-for-purpose）。本文通过引入数据质量度量——度量库——来实现该理论框架的实际操作。对于每个度量，我们提供包含定义、适用性、示例、注意事项和建议等关键信息的度量卡，以支持理解和实现这些度量。此外，我们讨论了从度量库中为特定用例选择合适数据质量度量的策略和决策树。我们以 PTB-XL 心电图数据集为例展示了我们方法的影响。这是实现医学实践中以 fit-for-purpose 方式评估训练和测试数据，建立可信医学 AI 的第一步。
引用
@article{arxiv.2601.22702,
title = {Metric Hub: A metric library and practical selection workflow for use-case-driven data quality assessment in medical AI},
author = {Katinka Becker and Maximilian P. Oppelt and Tobias S. Zech and Martin Seyferth and Sandie Cabon and Vanja Miskovic and Ivan Cimrak and Michal Kozubek and Giuseppe D'Avenio and Ilaria Campioni and Jana Fehr and Kanjar De and Ismail Mahmoudi and Emilio Dolgener Cantu and Laurenz Ottmann and Andreas Klaß and Galaad Altares and Jackie Ma and Alireza Salehi M. and Nadine R. Lang-Richter and Tobias Schaeffter and Daniel Schwabe},
journal= {arXiv preprint arXiv:2601.22702},
year = {2026}
}