Minimizar y cuantificar la incertidumbre en las decisiones basadas en la IA: aplicaciones en medicina

Área de la Ciencia:

• Inteligencia artificial
• Análisis de datos biomédicos
• Aprendizaje estadístico

Sus antecedentes:

• La IA es crucial para el análisis de datos, pero controlar tipos específicos de errores (por ejemplo, falsos positivos en la detección) es un desafío.
• Cuantificar la incertidumbre en las predicciones de IA, especialmente para el control de errores, presenta dificultades teóricas y prácticas.

Objetivo del estudio:

• Desarrollar una nueva estrategia para cuantificar con precisión la incertidumbre de la predicción de la IA.
• Asegurar un control fiable de los tipos específicos de errores en los análisis basados en la IA.
• Para abordar el desafío de confiar en los hallazgos basados en IA en aplicaciones críticas como el cribado biomédico.

Principales métodos:

• Se introdujo la prueba de hipótesis generalizada informada multidimensional (MIGHT), un método de conjunto no paramétrico.
• Validación cruzada canónica integrada y calibración paramétrica dentro del marco MIGHT.
• Se ha validado el rendimiento de MIGHT mediante simulaciones y aplicación a datos de biopsia líquida (ccfDNA).

Principales resultados:

• MIGHT cuantifica con precisión la incertidumbre y la confianza con garantías teóricas, superando los enfoques típicos de IA.
• MIGHT demostró coeficientes de variación significativamente más bajos y, a menudo, una mayor sensibilidad en los datos de ccfDNA en comparación con SVM, bosques aleatorios y transformadores.
• Se encontró que la combinación de conjuntos de variables puede disminuir la sensibilidad debido al aumento del ruido, destacando la importancia de la selección óptima de variables.

Conclusiones:

• MIGHT proporciona un método confiable para el análisis de datos basados en IA, particularmente cuando el control de tipos específicos de error es crítico.
• El estudio hace hincapié en la necesidad de cuantificar la incertidumbre y la confianza con garantías teóricas para una interpretación fiable de los datos del mundo real.
• MIGHT ofrece una solución robusta para el descubrimiento y la validación de biomarcadores en biopsias líquidas, abordando una cuestión abierta en la detección del cáncer.