ICLRJul, 2019

机器学习在医疗保健中的可重复性

PDF
TL;DR本文通过对 100 多篇机器学习应用于人类健康领域的研究论文进行系统评估，发现相较于其他机器学习领域，该领域在数据和代码可获取性等可重复性方面表现较差，因此提出了对数据提供者、学术出版商和 ML4H 研究社区的建议，以促进可重复性研究的发展。
machine learninghuman healthreproducibilitydata accessibilitycode accessibility
发现论文，激发创造
  • 机器学习驱动研究的可重现性

    面对研究的可重复性危机，机器学习和人工智能研究也面临同样的问题。虽然研究社区已经提出了不同的解决方案如使用机器学习平台，但机器学习驱动的研究的可重复性水平并没有显著提高。本文通过综述相关文献，讨论机器学习驱动研究中的可重复性问题和障碍，并探索工具、实践和干预等潜在驱动因素，提供对于支持机器学习可重复性的不同解决方案可行性的决策支持。

    Jul, 2023

  • 机器学习研究中的可重复性：概述、障碍和推动因素

    我们讨论了机器学习驱动研究的可重复性问题，包括了障碍和驱动因素，旨在为决策制定提供有关采用不同解决方案支持机器学习可重复性的见解和贡献。

    Jun, 2024

  • 2023 年健康机器学习研讨会 —— 研究结果追踪

    这篇研究论文总结了于 2023 年 12 月 10 日在美国路易斯安那州新奥尔良举行的第三届健康机器学习研讨会（ML4H 2023）所接受的发现论文集，该研讨会面向医疗保健、生物医学和公共卫生等各种与健康相关的领域的相关问题，并通过正式会议和非正式发现两种途径接受高质量提交的论文。

    Dec, 2023

  • 可复现性需要一致的实物

    机器学习存在严重的 ' 可重复性危机 '，本文通过对 ReScience C 的 142 个复制研究和 204 个代码库进行元分析，发现缺少实验细节如超参数可能是可重复性差的潜在原因。文章实验表明，不同的超参数选择策略会产生偏差，并得出一个统一框架的集成物能够帮助支持可重复性。

    May, 2023

  • 机器学习系统可靠性的整体评估

    该研究提出了一个综合评估机器学习系统可靠性的方法，侧重考虑诸如敌对攻击、性能下降以及算法技术等方面的问题，并对 500 多个模型进行了分析，为未来的研究和发展提供了指导。

    Jul, 2023

  • 深度学习软件故障预测的可复现性研究

    分析软件工程领域的软件错误预测是否存在与其他机器学习领域相似的可复现性问题，发现大部分研究文章缺乏关键的复现元素，呼吁改进研究实践以确保基于机器学习的研究的可复现性。

    Feb, 2024

  • 机器学习的可重复性：术语、建议和开放问题

    本文回顾了当前关于 Artificial Intelligence 的可重复性的文献，并强调了未解决的问题。作者提出了一些建议来提高模型重复性，特别是涉及生物医学和物理人工智能领域的问题。

    Feb, 2023

  • PhilHumans：面向个人健康的机器学习基准测试

    利用机器学习在医疗保健中的应用具有改善患者预后、扩大医疗保健的覆盖范围和可负担性的潜力。我们提出了 Personal Health Interfaces Leveraging HUman-MAchine Natural interactions（PhilHumans），它是一个全面的机器学习基准套件，涵盖不同医疗保健领域（如语言治疗、膳食指导、急诊护理、重症护理、产科超声）以及不同的学习设置，例如动作预测、时间序列建模、洞见挖掘、语言建模、计算机视觉、强化学习和程序合成。

    May, 2024

  • ML Health: 为生产模型提供的健身追踪

    ML Health 为监测机器学习模型预测性能潜在下降提出了一种诊断方法，并将该方法应用于一种实现了全生产生命周期的系统中，来自动化追踪并生成进一步调查的警报。

    Feb, 2019

  • 训练可复现的深度学习模型

    本文提出了一种系统的方法来训练可重复的深度学习模型，该方法包括评估标准，统一的框架和可重复性指南，能够在不同领域成功复现多个深度学习模型。

    Feb, 2022