人工智能模型的生态可持续基准测试用于组织病理学

科学领域:

• 医学诊断 医学诊断 医学诊断
• 人工智能的人工智能
• 环境科学 环境科学

背景情况:

• 深度学习 (DL) 显示出增强医学诊断的潜力,特别是在病理学领域.
• 目前的DL开发优先考虑诊断性能,经常忽视碳足迹等环境影响.
• 需要方法来评估DL在医疗保健中的性能和环境影响.

研究的目的:

• 开发和评估一种在病理学中创建DL模型的方法,同时考虑诊断性能和碳足迹.
• 引入一种新的指标,即环境可持续性绩效 (ESPer),以量化整合这两个因素.
• 探索数据缩小技术如何提高DL模型的ESPer.

主要方法:

• 评估了各种DL架构,包括一个基础模型,对两种不同复杂性的病理诊断任务进行了评估.
• 以二氧化碳或同等排放量 (CO2eq) 计算的碳足迹,用于培训和推断.
• 提出并应用ESPer指标来评估和比较DL模型.

主要成果:

• DL模型的诊断性能和碳足迹各不相同.
• 该ESPer指标成功识别了提供可比诊断准确度,环境成本较低的模型.
• 数据减少策略被证明可以提高个别DL模型的ESPer.

结论:

• 整合诊断性能和碳足迹评估对于可持续的医疗人工智能开发至关重要.
• 该ESPer指标提供了一个定量框架,用于优先考虑病理学中的环保DL解决方案.
• 这种方法有助于在医疗保健应用中创建更绿色,更负责任的AI.