考虑到医疗人工智能的再培训和维护缺失的科学,使用眼科作为一个示例
Ariel Yuhan Ong1,2,3, Robbert R Struyven4,5, Alastair K Denniston6,7,8
1Institute of Ophthalmology, University College London, London, UK. ariel.ong@nhs.net.
NPJ digital medicine
|February 25, 2026
概括
重新训练人工智能 (AI) 模型对于值得信赖的医疗AI至关重要,但学术界缺乏系统的方法. 这种观点强调将人工智能作为奖学金进行再培训,以确保持久的影响并避免研究浪费.
科学领域:
- 医学的人工智能 (AI)
- 医疗保健中的机器学习
- 人工智能模型维护 维护
背景情况:
- 模型再培训在非医疗行业中是标准的,但在医疗AI中未得到充分探索.
- 目前的学术专注于新型人工智能开发,忽视了模型再培训的关键方面.
- 缺乏系统的科学再培训导致人工智能模型无法概括和潜在的研究浪费.
研究的目的:
- 要突出限制医疗AI模式再培训的挑战.
- 倡导承认模式再培训作为学术界的学术追求.
- 为了鼓励超越概念验证的人工智能开发的转变.
主要方法:
- 从眼科的案例例子绘制的视角作品.
- 分析医疗AI模型再培训中常见的挑战.
- 为不断发展的学术研究实践辩解.
主要成果:
- 确定了阻碍医学模式再培训的三个常见挑战.
- 认为学术界需要优先考虑再培训作为奖学金.
- 强调需要系统的科学再培训.
结论:
- 学术界必须超越最初的AI开发,接受再培训,维护和共享.
- 系统的再培训科学对于值得信赖和有影响力的医疗人工智能至关重要.
- 利益相关者应该考虑人工智能模型的整个生命周期,包括再培训.
