相关实验视频
Updated: Jan 7, 2026

An R-Based Landscape Validation of a Competing Risk Model
Published on: September 16, 2022
符合性不确定性量化,以评估基础AI模型的皮肤损伤类别在患者人口统计学中的预测公平性
Swarnava Bhattacharyya1, Umapada Pal1, Tapabrata Chakraborti2
1Indian Statistical Institute, Kolkata, India.
这项研究使用符合性分析,使深度学习人工智能在医疗保健方面更加透明. 通过量化人工智能模型中的不确定性,它增强了对诊断人工智能的信任和公平性,特别是在不同的患者群体中.
科学领域:
- 人工智能在医学中的应用
- 医学图像分析 医学图像分析
- 机器学习 机器学习
背景情况:
- 深度学习诊断AI显示专家级别的性能,但缺乏透明度,阻碍临床采用.
- 基础模型虽然强大,但产生不可解释的嵌入,降低对高风险医疗保健应用程序的信任.
- 缺乏透明度和信任是将人工智能纳入临床实践的重大障碍.
研究的目的:
- 在基于视觉转换器 (ViT) 的基础模型中部署符合性分析以量化预测不确定性,用于皮肤病变的分类.
- 评估患者人口统计学 (性别,年龄,种族) 对模型不确定性的影响.
- 评估不确定性量化作为临床AI公平性指标的有效性.
主要方法:
- 对ViT基础模型进行了符合性分析,以量化皮肤病变分类的预测不确定性.
- 该模型是在公开的基准数据集上训练的,该数据集具有类不平衡,使用了基于F1分数的模型不可知动态采样.
- 调查了不确定性量化 (UQ),并没有偏差缓解策略.
主要成果:
- 符合性分析为ViT基础模型提供了人口层面覆盖率保证和个人不确定性得分.
- 该方法证明了嵌入式对专业任务的实用性,同时降低了计算成本.
- 偏见缓解策略有助于稳定阶级不平衡,并影响了不确定性量化.
结论:
- 合规分析通过提供可解释的不确定性量化来提高临床AI的可信性和公平性.
- 该方法可以作为一个公平度指标来评估基础模型嵌入的稳定性 (Google DermFoundation).
- 这项工作促进了AI在医疗保健诊断中的可靠和公平部署.
更多相关视频
09:37Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
Published on: August 18, 2022
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
相关概念视频
Skin Cancer
Basal Cell Carcinoma (BCC): BCC is the most common type of skin cancer, accounting for about 80% of cases. It typically develops in...
Uncertainty: Confidence Intervals
Changes in Skin Color: Clinical Perspectives
Albinism
Albinism is a genetic disorder that affects (completely or partially) the coloring of skin, hair, and eyes. The defect is primarily...