从临床自由文本中推广机器学习模型
Balaji Pandian1, John Vandervest2, Graciela Mentz2
1Department of Anesthesiology, Weill Cornell Medicine, New York, NY, USA.
提高医疗保健人工智能通用性需要仔细的模型开发. 结合来自多个机构的数据可以提高模型的概括性,尽管医疗文本的预处理提供了最小的好处. 库尔巴克-莱布勒分歧有效预测模型的性能.
科学领域:
- 医疗保健中的人工智能
- 医疗信息学
- 机器学习的通用性
背景情况:
- 医疗保健人工智能 (AI) 模型往往难以在不同机构中进行普遍化.
- 在各种临床环境中可靠执行的AI开发对于广泛采用至关重要.
- 在医疗数据上训练的人工智能模型的强度提高的策略需要彻底调查.
研究的目的:
- 评估提高人工智能模型在医疗保健中的通用性的方法.
- 评估文本预处理技术对模型性能的影响.
- 将单一机构与多个机构的数据模型进行比较,并探索数据差异指标.
主要方法:
- 开发了深度神经网络模型,以从医学自由文本中分类麻醉学当前程序术语代码.
- 分析了三个级别的文本预处理:最小,自动化 (cSpell) 和医生审查.
- 使用Kullback-Leibler分歧和k-medoid集群来评估模型性能和数据分歧.
主要成果:
- 单一机构模型的内部准确性很高,但外部通用性很差.
- 文本预处理对模型性能的影响很小.
- 多机构模型提高了外部通用性,但与单一机构模型相比,内部准确性较低.
- 库尔巴克-莱布勒分歧与模型性能有很强的相关性 (R2=0.41),其表现优于其他指标.
结论:
- 医疗免费文本预处理在改进人工智能模型概括方面具有有限的实用性.
- 虽然单一机构模式在内部表现出色,但多机构模式提供了更好的通用性.
- 库尔巴克-莱布勒分歧是评估医疗保健中的AI模型概括性的有价值的启发式方法.
更多相关视频
07:50A Metadata Extraction Approach for Clinical Case Reports to Enable Advanced Understanding of Biomedical Concepts
Published on: September 20, 2018
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
相关概念视频
Clinical Trials: Overview
Mechanistic Models: Compartment Models in Individual and Population Analysis
Clinical Trials
There are four phases in a clinical trial. A phase one...
Classification of Illness
An illness is a response to a disease in which the person's level of functioning is changed compared with a previous level. The general classification of illness includes acute and chronic.
Acute illness is severe...
Case Studies
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
