临床决策工具中的不确定性管理的弃权和值识别:使用人类在循环中的儿科自闭症分类器的案例研究
Aiden Ko1, Aaron Kline2, Kaitlyn Dunlap3
1Department of Pediatrics (Clinical Informatics), Stanford University, Stanford, CA 94305, USA, aidensko@stanford.edu.
Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing
|February 27, 2026
概括
本研究引入了弃权,这是人工智能 (AI) 诊断分类器中管理不确定性的方法. 它通过允许人工智能避免不确定的预测来改善临床决策,特别是在复杂的儿科自闭症评估中.
科学领域:
- 医疗保健中的人工智能
- 临床决策支持系统 临床决策支持系统
- 机器学习用于诊断.
背景情况:
- 在AI临床决策工具中,不确定性量化尚未得到充分发展.
- 管理人工智能不确定性对于安全的医疗整合至关重要.
- 目前的人工智能诊断工具缺乏强大的不确定性管理.
研究的目的:
- 调查弃权作为一种管理诊断分类器不确定性的实际机制.
- 在小儿自闭症视频评估的杂数据集上评估禁欲表现.
- 通过量化和管理AI的不确定性,展示弃权如何支持临床决策.
主要方法:
- 应用于对诊断数据进行培训的现有自闭症分类器的弃权策略.
- 在儿童自闭症视频评估的异质数据集上评估性能.
- 将基线表现与各种弃权门配置进行比较.
主要成果:
- 弃权策略在有意杂的数据集上进行了测试.
- 在不同值配置,平衡覆盖范围和临床指标之间进行了性能比较.
- 证明了用于优先考虑敏感性,特异性或均衡改进的用例 (Youden's J).
结论:
- 弃权为诊断AI中的不确定性管理提供了一种具体的方法.
- 整合弃权增强了AI决策工具的可靠性和临床实用性.
- 这种方法使医疗保健中的不确定性量化和管理成为可能.
更多相关视频
14:05Behavioral Assessment of Hearing in 2 to 4 Year-old Children: A Two-interval, Observer-based Procedure Using Conditioned Play-based Responses
Published on: January 23, 2017
29.8K
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
8.2K
