针对基于人工智能的医疗诊断系统的弹性意识的MLOP

科学领域:

• 医疗保健中的人工智能
• 机器学习操作 (MLOps)
• 医学诊断 医学诊断 医学诊断

背景情况:

• 医疗保健人工智能需要高度的责任,可信度和问责制.
• 目前用于医疗AI的机器学习操作 (MLOps) 缺乏对抗攻击和数据漂移的弹性.
• 本文讨论了加强MLOps的必要性,以提高AI医疗诊断系统的弹性.

研究的目的:

• 为基于AI的医疗诊断系统提出一个具有弹性意识的MLOps方法.
• 提高AI医疗诊断的稳定性和可靠性,以应对各种破坏性影响.
• 将弹性优化和不确定性校准集成到MLOps生命周期中.

主要方法:

• 整合后期适应性优化,预测性不确定性校准,不确定性监测和优雅的退化到MLOps.
• 使用适配器和超适配器来优化弹性,对合成干扰进行微调.
• 引入了一种经过分发和分发外数据训练的后期不确定性校准模型.

主要成果:

• 为医疗诊断提出了一个具有弹性意识的MLOps结构.
• 在医学图像识别系统 (DermaMNIST,BloodMNIST,PathMNIST) 中实验证实了增强的稳定性和适应速度.
• 观察到的变压器比卷积网络具有较低的弹性,可能是由于适配器/元适配器架构.

结论:

• 新之处在于将基本模型创建与医疗AI开发人员的弹性保证分开.
• 弹性优化提高了强度和适应干扰的速度.
• 校准的机密性提高了未被吸收的干扰的识别,提高了医疗AI的可信度.