通过基于集成的图像翻译在细胞标签上值得信赖
Sara Imboden1, Xuanqing Liu2, Marie C Payne1
1Department of Mechanical and Aerospace Engineering, University of California, Los Angeles, Los Angeles, California.
Biophysical reports
|November 29, 2023
概括
一种集体学习方法量化了人工智能 (AI) 在生物研究中的图像翻译不确定性. 这种方法估计了预测错误,并识别了不可靠的AI输出,增强了对AI应用程序的信任.
科学领域:
- 生物医学研究的研究.
- 计算生物学是一种计算生物学.
- 医学成像医学成像
背景情况:
- 人工智能 (AI) 图像翻译对于生物和医学数据处理至关重要.
- 确保AI预测可靠性对于药物查和诊断等关键应用至关重要.
研究的目的:
- 展示一个集体学习方法来量化AI图像翻译的不确定性.
- 为了验证估计的不确定性和预测错误之间的相关性.
主要方法:
- 利用集体学习方法来评估AI图像翻译.
- 测试了该方法在实验性获取的介质细胞 stromal 细胞图像上.
- 评估预测标准偏差作为不确定性的度量.
主要成果:
- 集合方法的预测标准偏差与预测误差相关.
- 不确定性估计与预测误差和皮尔森相关系数一致.
- 该方法通过报告增加的不确定性,成功检测出分布图像.
结论:
- 整体估计的不确定性是识别错误的AI图像翻译的可靠指标.
- 这种方法提高了AI在关键生物医学应用中的可靠性.
- 这些发现支持将不确定性量化纳入人工智能驱动的研究工作流程.
