面向医疗应用的机器学习系统质量管理
医学物理
2022-10-18 v1
摘要
机器学习系统在临床常规中的使用仍受限于医疗器械认证的必要性以及难以将这些系统纳入诊所质量管理体系的困难。在此背景下，用户的关键问题是如何确保可靠的模型预测以及如何定期评估模型结果的质量。在本文中，我们首先回顾了为何常用的样本外性能指标不足以评估模型预测的鲁棒性。我们讨论了机器学习系统临床实施的一些概念基础，并主张供应商和用户都应承担某些责任，正如高风险医疗设备已有的通行做法。沿着这一思路，我们重新审视了处理机器学习模型鲁棒性（或其缺失）的最佳实践。我们提出将 AAPM 第 100 任务组第 283 号报告的方法论作为开发涵盖机器学习系统的临床流程质量管理程序的天然框架。这通过一个明确但通用的示例加以说明。我们的分析表明，该框架中的风险评估如何能够独立于鲁棒性评估来容纳机器学习系统。我们特别强调了机器学习系统的可解释程度如何在风险评估和质量管理体系开发中得以系统性考量。
引用
@article{arxiv.2210.08881,
title = {Towards Quality Management of Machine Learning Systems for Medical Applications},
author = {Lorenzo Mercolli and Axel Rominger and Kuangyu Shi},
journal= {arXiv preprint arXiv:2210.08881},
year = {2022}
}