迈向增强型病理医生：数字病理学中可解释人工智能的挑战
人工智能
2017-12-20 v1 机器学习
摘要
数字病理学不仅是诊断医学中最有前景的领域之一，同时也是基础研究的关注热点。数字病理学并非仅仅是将组织病理学切片转化为数字表示。不同数据源（图像、患者记录和组学数据）的结合，加上当前人工智能/机器学习（artificial intelligence/machine learning）的进展，使得人类专家能够获取并量化当前医疗环境中尚未可用且未被利用的新信息。宏伟目标是达到可用智能的水平，以应用任务的语境理解数据，从而使机器决策透明、可解释且可说明。这样一种“增强型病理医生”的基础需要一种集成的方法：机器学习算法需要成千上万个训练样本，而人类专家往往只面对极少的数据点。有趣的是，人类能从如此少的样本中学习，并能够即时解释复杂模式。因此，宏伟目标是将人工智能的可能性与人类智能相结合，并找到二者之间恰当的平衡，以实现任何一方单独都无法完成的事。这可以提升癌症及其他疾病的教学、诊断、预后和预测质量。在本文中，我们描述了若干（不完整的）研究问题，我们认为应以集成且协同的努力加以解决，以铺就通往增强型病理医生的道路。
引用
@article{arxiv.1712.06657,
title = {Towards the Augmented Pathologist: Challenges of Explainable-AI in Digital Pathology},
author = {Andreas Holzinger and Bernd Malle and Peter Kieseberg and Peter M. Roth and Heimo Müller and Robert Reihs and Kurt Zatloukal},
journal= {arXiv preprint arXiv:1712.06657},
year = {2017}
}