用于评估医学领域可信 AI 数据质量的 METRIC 框架：一项系统综述
机器学习
2024-02-22 v1 人工智能
摘要
机器学习（ML），更具体地说是深度学习（DL）应用，正在被引入我们生活的所有主要领域。由于对患者生活的重大影响，可信 AI 的发展在医学领域尤为重要。虽然可信度涉及包括伦理、技术和隐私要求在内的各个方面，但我们聚焦于 DL 中数据质量（训练/测试）的重要性。由于数据质量决定了 ML 产品的行为，评估数据质量将在医疗 AI 产品的监管审批中发挥关键作用。我们遵循 PRISMA 指南，使用 PubMed 和 ACM Digital Library 数据库进行了一项系统综述。我们识别出 2362 项研究，其中 62 条记录符合我们的合格标准。从这些文献中，我们综合了关于数据质量框架的现有知识，并将其与 ML 在医学中的应用视角相结合。作为结果，我们提出了 METRIC 框架，这是一个针对医疗训练数据的专用数据质量框架，包含 15 个意识维度，医疗 ML 应用程序的开发者应沿着这些维度对数据集进行调查。这些知识有助于将偏见这一不公平的主要来源降至最低，增强鲁棒性，促进可解释性，从而为医学领域的可信 AI 奠定基础。将此类对医疗数据集的系统评估纳入监管审批流程，有望加速 ML 产品的审批，并为新标准建立基础。
引用
@article{arxiv.2402.13635,
title = {The METRIC-framework for assessing data quality for trustworthy AI in medicine: a systematic review},
author = {Daniel Schwabe and Katinka Becker and Martin Seyferth and Andreas Klaß and Tobias Schäffter},
journal= {arXiv preprint arXiv:2402.13635},
year = {2024}
}