相关实验视频
在生物医学科学中人工智能学习的稳定性和可重现性:RENOIRIR
Alessandro Barberis1,2, Hugo J W L Aerts3,4,5,6, Francesca M Buffa7,8,9
1Nuffield Department of Surgical Sciences, Medical Sciences Division, University of Oxford, Old Road Campus Research Building, Roosevelt Drive, Oxford, OX3 7DQ, UK. dr.alessandro.barberis@gmail.com.
Scientific reports
|January 22, 2024
概括
RENOIR是一个开源平台,增强人工智能 (AI) 和机器学习 (ML) 的可复制性. 它标准化了分析管道,透明地报告发现,并改善了模型概括,减少了研究浪费.
科学领域:
- 计算机科学 计算机科学
- 生物信息学是一种生物信息学.
- 药理学 药理学是指药理学的学科.
背景情况:
- 人工智能 (AI) 和机器学习 (ML) 越来越多地用于大型数据集.
- 然而,人工智能出版物往往缺乏可复制性和通用性,导致研究浪费.
- 需要标准化工具来提高AI/ML研究的可靠性.
研究的目的:
- 介绍RENOIR,这是一个模块化的开源平台,用于稳健和可重复的机器学习分析.
- 提高AI研究的质量,透明度和通用性.
- 解决人工智能研究中的挑战,包括样本大小依赖和报告.
主要方法:
- 雷诺使用标准化管道进行模型培训和测试.
- 它结合了新的元素,比如分析基于样本大小的算法性能.
- 自动生成透明和可用的报告是一个关键功能.
主要成果:
- RENOIR被应用于健康,计算机科学和STEM领域的基准数据集.
- 该平台成功地确定了癌症中SET2D和TP53突变状态的分类器.
- 一个使用案例证明了RENOIR在预测药物疗效的药理学挑战中的实用性.
结论:
- 在AI/ML研究中,RENOIR提供了一种解决方案,以提高AI/ML研究的可复制性和通用性.
- 该平台的多功能性在各种科学领域都得到了证明.
- 雷诺伊尔旨在通过提高人工智能研究的科学价值来减少全球研究浪费.