論文の概要: The Future AI in Healthcare: A Tsunami of False Alarms or a Product of
Experts?
- arxiv url: http://arxiv.org/abs/2007.10502v2
- Date: Mon, 27 Jul 2020 03:26:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-08 22:59:11.020534
- Title: The Future AI in Healthcare: A Tsunami of False Alarms or a Product of
Experts?
- Title（参考訳）: 医療における未来のAI: 偽アラームの津波か専門家の製品か?
- Authors: Gari D. Clifford
- Abstract要約: これらの出版物や商用アルゴリズムのほとんどは、いくつかの根本的な誤りを犯している、と私は主張する。
多くのアルゴリズムをまとめて投票し、全体的なパフォーマンス、相互独立性、コンテキストを定義する機能のセットを重み付けする必要があります。
- 参考スコア（独自算出の注目度）: 3.8244083622687306
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent significant increases in affordable and accessible computational power
and data storage have enabled machine learning to provide almost unbelievable
classification and prediction performances compared to well-trained humans.
There have been some promising (but limited) results in the complex healthcare
landscape, particularly in imaging. This promise has led some individuals to
leap to the conclusion that we will solve an ever-increasing number of problems
in human health and medicine by applying `artificial intelligence' to `big
(medical) data'. The scientific literature has been inundated with algorithms,
outstripping our ability to review them effectively. Unfortunately, I argue
that most, if not all of these publications or commercial algorithms make
several fundamental errors. I argue that because everyone (and therefore every
algorithm) has blind spots, there are multiple `best' algorithms, each of which
excels on different types of patients or in different contexts. Consequently,
we should vote many algorithms together, weighted by their overall performance,
their independence from each other, and a set of features that define the
context (i.e., the features that maximally discriminate between the situations
when one algorithm outperforms another). This approach not only provides a
better performing classifier or predictor but provides confidence intervals so
that a clinician can judge how to respond to an alert. Moreover, I argue that a
sufficient number of (mostly) independent algorithms that address the same
problem can be generated through a large international competition/challenge,
lasting many months and define the conditions for a successful event. Finally,
I propose introducing the requirement for major grantees to run challenges in
the final year of funding to maximize the value of research and select a new
generation of grantees.
- Abstract（参考訳）: 近年の安価な計算能力とデータストレージの大幅な増加により、機械学習は、よく訓練された人間に比べて、ほとんど信じられない分類と予測性能を提供できるようになった。
複雑な医療分野、特にイメージングにおいて、有望な(しかし限られた)結果がいくつかある。
この約束は、"人工的な知性"を"大きな(医療的な)データ"に適用することで、人類の健康と医療の課題が絶え間なく増え続けるという結論に躍起になる。
科学文献はアルゴリズムに埋もれており、それらを効果的にレビューする能力を上回っています。
残念なことに、ほとんどの出版物や商用のアルゴリズムはいくつかの根本的な誤りを犯している。
すべての人(そしてすべてのアルゴリズム)が盲点を持っているので、複数の‘ベスト’アルゴリズムがあり、それぞれが異なるタイプの患者や異なる文脈で優れています。
その結果、我々は多くのアルゴリズムをまとめて投票し、その全体的な性能、互いに独立性、文脈を定義する一連の特徴(すなわち、あるアルゴリズムが他のアルゴリズムより優れている場合の状況間で最大に差別化される特徴)によって重み付けされるべきである。
このアプローチは、よりよいパフォーマンスの分類器や予測器を提供するだけでなく、臨床医がアラートへの対応方法を判断できるように、信頼区間を提供する。
さらに、同じ問題に対処する十分な数の(ほとんど)独立したアルゴリズムは、大規模な国際コンペやチャレンジを通じて生成され、何ヶ月も続き、成功するイベントの条件を定義することができると論じています。
最後に、研究価値を最大化し、新たな世代の助成者を選ぶために、最終年度の課題を遂行する主な助成者の必要性について紹介する。
関連論文リスト
- Touchstone Benchmark: Are We on the Right Way for Evaluating AI Algorithms for Medical Segmentation? [90.30635552818875]
9種類の腹部臓器の大規模共同セグメント化ベンチマークであるTouchstoneを報告する。
このベンチマークは、世界中の76の病院から5,195回のCTスキャンと、11の病院から5,903回のCTスキャンに基づいています。
私たちは19のAIアルゴリズムの発明者14人を招待してアルゴリズムをトレーニングしましたが、私たちのチームは第三者として、3つのテストセットでこれらのアルゴリズムを独立して評価しました。
論文 参考訳（メタデータ） (2024-11-06T05:09:34Z) - When can you trust feature selection? -- I: A condition-based analysis
of LASSO and generalised hardness of approximation [49.1574468325115]
近似入力を読み取る際に、LASSOのミニミサの正しいサポートセットを(確率$>1/2$で)決定できないことを示す。
不適切な入力の場合、アルゴリズムは永遠に動作するので、間違った答えを出すことはない。
無限条件数を持つ点を含む開集合上で定義される任意のアルゴリズムに対して、アルゴリズムが永久に実行されるか、間違った解を生成するような入力が存在する。
論文 参考訳（メタデータ） (2023-12-18T18:29:01Z) - Auditing for Human Expertise [12.967730957018688]
我々は、この問題を自然仮説テストとして適用できる統計的枠組みを開発する。
本稿では,専門家の予測が興味ある結果から統計的に独立しているかどうかを判定する簡単な手順を提案する。
我々のテストの拒絶は、人間の専門家が利用可能なデータに基づいてトレーニングされたアルゴリズムに価値を付加する可能性を示唆している。
論文 参考訳（メタデータ） (2023-06-02T16:15:24Z) - Who Should Predict? Exact Algorithms For Learning to Defer to Humans [40.22768241509553]
従来の手法では,誤分類誤りの少ない人間-AIシステムを見つけることができなかった。
線形設定における問題を最適に解くことができるMILP(mixed-integer-linear-gramming)の定式化について述べる。
実現可能で,実証的にも良好に機能する新規な代理損失関数を提供する。
論文 参考訳（メタデータ） (2023-01-15T21:57:36Z) - Stochastic Differentially Private and Fair Learning [7.971065005161566]
我々は、収束することが保証されるフェアラーニングのための最初の微分プライベートアルゴリズムを提供する。
われわれのフレームワークは、人口格差や均等化オッズなど、さまざまな公平さを許容できるほど柔軟である。
本アルゴリズムは,複数の(非バイナリ)機密属性を持つ非バイナリ分類タスクに適用可能である。
論文 参考訳（メタデータ） (2022-10-17T06:54:57Z) - Robustification of Online Graph Exploration Methods [59.50307752165016]
我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。
本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-10T10:02:31Z) - DPER: Efficient Parameter Estimation for Randomly Missing Data [0.24466725954625884]
本稿では,1クラス・複数クラスのランダムに欠落したデータセットに対して,最大推定値(MLE)を求めるアルゴリズムを提案する。
我々のアルゴリズムは、データを通して複数のイテレーションを必要としないので、他の方法よりも時間のかかることを約束します。
論文 参考訳（メタデータ） (2021-06-06T16:37:48Z) - Double Coverage with Machine-Learned Advice [100.23487145400833]
オンラインの基本的な$k$-serverの問題を学習強化環境で研究する。
我々のアルゴリズムは任意の k に対してほぼ最適の一貫性-破壊性トレードオフを達成することを示す。
論文 参考訳（メタデータ） (2021-03-02T11:04:33Z) - Resource Allocation in Multi-armed Bandit Exploration: Overcoming
Sublinear Scaling with Adaptive Parallelism [107.48538091418412]
腕の引っ張りに様々な量の資源を割り当てることができる分割可能な資源にアクセス可能な場合,マルチアームの帯状地における探索について検討する。
特に、分散コンピューティングリソースの割り当てに重点を置いており、プル毎により多くのリソースを割り当てることで、結果をより早く得ることができます。
論文 参考訳（メタデータ） (2020-10-31T18:19:29Z) - New Oracle-Efficient Algorithms for Private Synthetic Data Release [52.33506193761153]
微分プライベートな合成データを構築するための3つの新しいアルゴリズムを提案する。
アルゴリズムは最悪の場合でも差分プライバシーを満たす。
現状の手法である高次元行列機構 citeMcKennaMHM18 と比較すると,我々のアルゴリズムは大規模作業負荷の精度が向上する。
論文 参考訳（メタデータ） (2020-07-10T15:46:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。