在乌干达的皮肤病症上使用人工智能:用于机器学习的培训数据集多样性的案例
Louis Kamulegeya1, John Bwanika1, Mark Okello2
1The Medical Concierge Group, Research and Projects.
African health sciences
|January 15, 2024
概括
人工智能 (AI) 诊断工具对黑色皮肤类型的准确性较低. 用多样化的数据集增强人工智能算法对于公平的医疗保健应用至关重要.
科学领域:
- 皮肤病学 皮肤病学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 医疗保健中的通用人工智能 (AI) 需要来自不同地理区域的代表性数据.
- 当前的人工智能算法可能由于某些人群的代表性不足而表现出偏见.
研究的目的:
- 为了评估AI驱动的皮肤图像搜索算法在Fitzpatrick 6皮肤类型 (黑色皮肤) 上的诊断性能.
- 评估AI在诊断黑皮肤个体皮肤病的准确性.
主要方法:
- 乌干达一家远程医疗公司对123张皮肤学图像进行了回顾性分析.
- 评估AI诊断准确度,疾病诊断和使用R on R研究室的身体部位.
- 人工智能可预测性以0-5为等级,以评估错误诊断率.
主要成果:
- 人工智能算法在黑色皮肤类型中实现了17%的低诊断准确率,而在高加索皮肤中达到69.9%.
- 皮肤炎在评估条件中显示出最高的个体诊断准确率,为80%.
- 预测性正确性各不相同,较高年级的百分比较低 (例如,5年级的1.6%).
结论:
- 需要多样化的图像数据集来训练皮肤病AI算法.
- 增加数据多样性对于改善不同皮肤类型和地理位置的AI准确性至关重要.
- 解决数据缺口对于开发公正和公平的AI医疗保健解决方案至关重要.
