人工智能基于图像的IBD预测模型表现出高偏差风险:系统性审查
Xiaoxuan Liu1, James Reigle2, V B Surya Prasath3
1Department of Biomedical Informatics, College of Medicine, University of Cincinnati, OH, USA; Department of Pediatrics, University of Cincinnati, College of Medicine, Cincinnati, OH, USA.
Computers in biology and medicine
|February 14, 2024
概括
对于炎症性肠病 (IBD) 图像分析的机器学习和深度学习模型显示出高偏差风险. 这些人工智能 (AI) 模型需要更大的样本大小和外部验证才能可靠的临床使用.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 胃肠病学 胃肠病学
背景情况:
- 机器学习 (ML) 和深度学习 (DL) 越来越多地用于预测炎症性肠病 (IBD).
- 需要评估这些基于图像的预测模型的质量和偏差.
研究的目的:
- 系统性审查以评估ML和DLIBD基于图像的预测研究中的方法质量和偏差风险.
- 专注于使用传统成像数据的诊断和预后模型.
主要方法:
- 在PubMed,Scopus和Embase数据库中搜索到2022年12月31日.
- 包括使用常规成像对人类参与者的研究,以英语出版.
- 使用预测偏差风险评估工具 (PROBAST) 评估方法质量和偏差风险.
主要成果:
- 包括40项研究;39项开发了诊断模型.
- 大多数研究使用结肠镜图像;ML研究主要是回顾性,DL研究更具前性和多中心性.
- 所有研究都显示出参与者,预测因素,结果和分析等领域的偏见风险很高.
结论:
- 在AI驱动的IBD基于图像的预测模型中发现了偏差的高风险.
- 样本规模不足,数据报告缺失和缺乏外部验证都会导致偏见.
- 具有高偏差风险的模型不适合在没有改进的情况下进行临床实施.
