评估机器学习算法在头部和部瘤学的报告质量
Rahul Alapati1, Bryan Renslo2, Sarah F Wagoner1
1Department of Otolaryngology-Head & Neck Surgery, University of Kansas Medical Center, Kansas City, Kansas, U.S.A.
The Laryngoscope
|September 11, 2024
概括
机器学习 (ML) 算法在头部和部瘤学中的报告需要改进. 采用TRIPOD-AI标准对于标准化报告,提高ML模型的临床应用和可重复性至关重要.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 机器学习 (ML) 越来越多地用于头部和部瘤学.
- 对ML算法的标准化报告对于临床翻译和研究完整性至关重要.
研究的目的:
- 在头部和部瘤学文献中评估ML算法的报告质量.
- 评估遵守个人预后或诊断 - 人工智能 (TRIPOD-AI) 标准的多变量预测模型的透明报告.
主要方法:
- 在主要数据库 (PubMed,Scopus,Embase,Cochrane) 进行了系统的文献搜索.
- 两位独立审查员根据TRIPOD-AI的65点检查清单对研究进行了评估.
- 使用牛津证据医学中心 (OCEBM) 框架评估证据水平.
主要成果:
- 目前在头部和部瘤学中对ML算法的报告不足.
- 需要改进的关键领域包括数据集描述,模型性能报告和模型,数据和代码的共享.
- 遵守TRIPOD-AI标准是标准化报告的必要条件.
结论:
- 对ML算法的不充分报告阻碍了临床应用,可重复性和信任.
- 对ML模型,代码和数据的开放访问对于社区批评和代改进至关重要.
- 加强报告实践将提高模型准确性,减轻偏见,并促进临床医生的信任.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
06:11Therapy Testing in a Spheroid-based 3D Cell Culture Model for Head and Neck Squamous Cell Carcinoma
Published on: April 20, 2018
9.7K
