生成建模研究的临床人工智能最小信息清单 (MI-CLAIM-GEN)
计算与语言
2024-07-15 v2 计算机视觉与模式识别
摘要
包括大语言模型 (LLMs)、视觉语言模型 (VLMs) 和扩散模型在内的生成模型的最新进展，加速了医学领域的自然语言和图像处理，并标志着生物医学模型开发和部署方式的重大范式转变。虽然这些模型高度适应新任务，但其扩展和评估带来了先前框架未解决的新挑战。特别是，这些模型在极少或无需专门训练数据的情况下产生有用输出的能力（“零样本”或“少样本”方法），以及其输出的开放性，需要制定新的指南以稳健地报告临床生成模型研究。针对美国行政命令 141103 和几个新兴的临床 AI 评估网络所确定的临床 AI 工具开发和最佳实践标准中的差距，我们开始在原始 MI-CLAIM 清单的基础上将这些指南形式化。新清单 MI-CLAIM-GEN（表 1）旨在解决新生成模型与非生成（“预测性”）AI 模型在训练、评估、可解释性和可重复性方面的差异。该 MI-CLAIM-GEN 清单还力求澄清非结构化临床数据的队列选择报告，并增加关于符合临床 AI 研究伦理标准的附加项目。
引用
@article{arxiv.2403.02558,
title = {The Minimum Information about CLinical Artificial Intelligence Checklist for Generative Modeling Research (MI-CLAIM-GEN)},
author = {Brenda Y. Miao and Irene Y. Chen and Christopher YK Williams and Jaysón Davidson and Augusto Garcia-Agundez and Shenghuan Sun and Travis Zack and Suchi Saria and Rima Arnaout and Giorgio Quer and Hossein J. Sadaei and Ali Torkamani and Brett Beaulieu-Jones and Bin Yu and Milena Gianfrancesco and Atul J. Butte and Beau Norgeot and Madhumita Sushil},
journal= {arXiv preprint arXiv:2403.02558},
year = {2024}
}