ICLRMar, 2020

医疗系统临床 AI 模型开发生命周期概述及案例研究

PDF
TL;DR本文介绍了临床人工智能模型的开发生命周期，并给出了一个基于深度学习的系统的开发过程案例。作者希望这些见解能帮助其他医疗机构和临床从业者，以增加在医疗领域成功部署和集成人工智能模型的可能性。
发现论文，激发创造
  • 在真实的临床环境中部署深度学习模型：产科超声案例研究

    AI 模型在医学图像分析中的发展快速，但在临床实践中的验证仍有限。为了解决这个问题，我们介绍了一个适用于在此类环境中部署基于图像的 AI 模型的通用框架。使用该框架，我们部署了一个用于胎儿超声标准平面检测的训练模型，并在实时会话中与初学者和专家用户进行了评估。这些会话的反馈显示，虽然该模型对医疗从业者提供了潜在的好处，但导航指导的需求被认为是改进的关键领域。这些发现强调了在实际用户反馈的基础上早期部署 AI 模型在实际环境中的重要性，从而引导模型和系统的改进。

    Mar, 2024

  • 机器学习在临床疾病诊断中的重要性：综述

    通过分析当前文献，本研究提供了关于机器学习在疾病诊断方面的最新方法和性能指标的深入了解。

    Oct, 2023

  • 医疗健康中的机器学习 —— 系统角度

    该论文强调健康护理作为一个复杂系统，必须通过系统方法，推动机器学习算法的应用，以解决医疗挑战，并充分发挥电子病历的功能。

    Sep, 2019

  • 部署临床机器学习？考虑以下事项

    通过调查拥有临床部署经验的从业者，本研究针对临床机器学习应用程序的主要挑战类别进行了分类，以更好地设计和开发临床机器学习应用程序。

    Sep, 2021

  • 学习机器在健康与更广领域的应用

    机器学习模型在医疗领域应用时需要进行后期维护和监控，以保证在实际应用中能够安全有效地使用。

    Mar, 2023

  • 应用人工智能于心理健康临床决策支持：我们学到了什么？

    本研究介绍了一种基于人工智能 (AI) 的 CDSS (临床决策支持系统) - Aifred Health， 针对重性抑郁症患者的治疗选择和管理，探讨了平衡临床工作流程和鼓励最终用户信赖的实现挑战，同时提出在构建，验证，培训和实施 AI-CDSS 过程中应该考虑的关键问题和建议。

    Mar, 2023

  • 医疗人工智能中的泛化问题：发展可扩展模型的视角

    医学人工智能算法的泛化水平可以通过建立一个分层三级评估系统来反映，该系统更好地反映了真实医疗情境的多样性，其中用于重新校准模型的目标领域数据可能可用也可能不可用，并且如果可用的话，可能或可能不会系统地提供参考标签。

    Nov, 2023

  • 人工智能模型持续开发的流程 —— 研究与实践当前状况

    本文提供了一个综合的文献综述及九个半结构化采访，总结了 AI 模型持续开发中面临的挑战。作者提出了一种适用于 AI 持续开发的流水线，包含数据处理、模型学习、软件开发及系统运维四个阶段，并针对每个阶段的实施、适应和使用提出了具体挑战。

    Jan, 2023

  • 机器学习过程的特征化：一种成熟度框架

    本文提供了一个适用于企业的机器学习模型生命周期管理成熟度框架，旨在解决为 AI 应用定义业务用例、将业务需求转化为数据科学家的数据需求、连续提高 AI 应用程序的准确度和公平性，以及专门针对特定情况定制通用机器学习模型等方面的问题。该框架重新解释了软件能力成熟度模型，并提出了许多最佳实践，可以帮助企业在不考虑其起点的情况下实现更高的成熟度水平。

    Nov, 2018

  • 健康信息学中的大型人工智能模型：应用、挑战与未来

    本文为大规模 AI 模型在健康信息学中的应用提供了全面的综述，提出了大 AI 模型适用的七个关键领域和面临的挑战，并讨论了它们在未来方向和转化健康信息学领域的潜力和可能面临的风险。

    Mar, 2023