在数据腐败下医疗图像分析中,人工神经网络的伦理考虑和稳定性

科学领域:

• 医疗人工智能 医疗人工智能
• 计算神经科学是一种神经科学.
• 医疗保健中的机器学习

背景情况:

• 人工智能 (AI) 在医学上越来越重要,特别是在图像分析和临床支持方面.
• 确保伦理运作和与伦理考虑保持一致,是医疗人工智能中最重要的,因为涉及的风险很高.
• 数据完整性至关重要,因为受损或错误标记的数据集可能导致不可靠的AI系统输出.

研究的目的:

• 调查关键参数,包括ANN架构,数据集大小和数据损坏,如何影响医疗图像分析中的AI性能.
• 在模拟数据错误标签下评估五个不同的ANN架构 (AlexNet,LeNet 5,VGG16,ResNet-50,Vision Transformers - ViT).
• 探索ANN架构选择和医疗AI中的数据完整性的伦理影响.

主要方法:

• 在医疗图像分析任务上对五个ANN架构 (AlexNet,LeNet 5,VGG16,ResNet-50,ViT) 的性能评估.
• 通过将不同比例的错误标签图像引入训练数据集来模拟数据损坏.
• 对每个ANN架构的不同数据集大小和腐败水平的性能指标的分析.

主要成果:

• 在五个ANN架构中观察到显著的性能差异,即使没有数据修改,也表明架构选择具有伦理维度.
• 标签腐败导致了混合的绩效指标趋势,使得最终检测数据完整性问题的挑战更加严峻.
• 该研究强调了人工智能道德,ANN架构选择和医疗人工智能的计算参数之间的复杂关系.

结论:

• 选择ANN架构是医疗AI中的伦理考虑,影响系统可靠性.
• 在医疗人工智能数据集中检测数据损坏是复杂的,因为标签错误对性能的影响各不相同.
• 需要进一步的研究来开发强大的方法来识别数据腐败,并确保在医疗保健中实施道德的人工智能.