数据集医学深度学习的术语:历史的回顾和建议
Shannon L Walston1, Hiroshi Seki1, Hirotaka Takita1
1Department of Diagnostic and Interventional Radiology, Graduate School of Medicine, Osaka Metropolitan University, Osaka, Japan.
Japanese journal of radiology
|June 10, 2024
概括
数据集术语的清晰度对于医学深度学习至关重要. 本次审查澄清了培训,验证和测试集等术语,以防止误解和提高研究的稳定性.
科学领域:
- 在医学和人工智能 (AI) 的交叉点进行跨学科研究.
- 专注于医学领域的深度学习应用.
背景情况:
- 深度学习和医学有着不同的历史,但正在迅速融合.
- 这种融合在数据集术语中造成了模两可,导致了潜在的误解和方法问题.
研究的目的:
- 为医学深度学习中使用的数据集术语提供历史背景.
- 突出清晰的术语的重要性,并为误解提供解决方案.
- 提高跨学科研究的准确性和透明度.
主要方法:
- 叙事审查检查历史文件,文章和教科书.
- 分析医学和人工智能数据集术语的不同演变.
- 探讨"验证"一词及其各种解释.
主要成果:
- 在医学和人工智能领域之间发现了对"验证"的不一致的解释.
- 观察到AI术语如"训练集"",验证 (调整) 集"和"测试集"在医学中越来越多地被采用.
- 分类测试组分为内部 (例如,交叉验证) 和外部 (例如,时间) 类型.
结论:
- 对数据集的准确和标准化描述对于证明强度和通用性至关重要.
- 建议在出版物中明确定义数据集分割术语.
- 通过清晰的术语来改善沟通,促进了更有效和透明的医学深度学习研究.
