指南与共识技术与安全CTMRUSDR

医学影像中的机器学习:方法学失败与未来建议

Machine learning for medical imaging: methodological failures and recommendations for the future.
指南 / 共识 · NPJ Digit Med · 2022-04-12

本文综述了医学影像机器学习研究中的系统性障碍,包括数据集偏差、评估方法不当和发表激励扭曲,并基于文献与数据挑战证据提出改进建议,以提升研究的临床影响力。

要点

  • 数据集偏差普遍存在,训练集与目标人群分布不一致可导致基准高分而临床表现差。
  • 评估噪声常大于算法改进,8个Kaggle挑战中6个呈收益递减,5个评估噪声超过优胜差距。
  • 不当评估流程如数据泄漏和循环分析可产生过度乐观结果,需独立测试集和统计检验。

核心结论

  • 医学影像机器学习研究在数据、评估和发表各环节均可能引入偏差,需采用多源数据、独立测试和 superiority 检验等最佳实践以提升临床转化。

研究设计与样本

  • 综述类文章,基于文献证据和对近期论文的分析,并纳入6篇系统综述汇总的478项阿尔茨海默病研究及8个Kaggle医学影像挑战数据。

诊断标准与关键数值

  • 阿尔茨海默病诊断中,最大数据集含超过一千名受试者,但样本量增大未伴随诊断准确率提升,尤其区分进展性轻度认知障碍与稳定性轻度认知障碍时,大样本研究倾向于报告更差预测准确率。
  • 8个Kaggle医学影像挑战中,6个呈收益递减,5个(肺癌、精神分裂症、前列腺癌诊断和颅内出血检测)评估噪声大于优胜差距,仅COVID-19异常和神经分割两个挑战优胜差距大于评估噪声。
  • 医学影像分割挑战中仅6%分析了经验结果偶然性,410篇ACM热门计算机科学论文中仅15%使用了统计检验。

临床应用与阅片要点

  • 选择数据集时应评估数据集偏差、隐藏亚组和错误标注,使用多源数据或构建稳健数据集。
  • 评估应避免数据泄漏,从开始即分离所有测试数据,测试集至少数百样本,理想数千以上,并报告置信区间。
  • 应使用反映临床问题的多种定量指标,并结合定性描述和受影响群体参与指标设计。

局限性

  • 原文未报告局限性
全文中译18 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:NPJ Digit Med. 2022 Apr 12;5:48. doi: 10.1038/s41746-022-00592-y

引言

机器学习是当今人工智能(AI)革命的基石,为医学影像的临床实践带来了新的希望1–3。例如,在从医学影像诊断各种疾病方面,机器学习已被证明能够达到与医学专家相当的性能4。软件应用已开始获得临床使用认证5,6。机器学习可能是实现几十年前所描绘的AI医学愿景的关键7。

利害关系重大,而且关于医学影像机器学习的研究数量惊人。但这种增长本质上并不带来临床进步。研究数量的增加可能与学术激励相一致,而非与临床医生和患者的需求相一致。例如,可能出现大量论文在基准数据上展示最先进性能,但对临床问题没有实际改善。在COVID机器学习这一主题上,Robert等8综述了62项已发表研究,但未发现任何具有临床使用潜力的研究。

在本文中,我们探讨提升医学影像机器学习临床影响力的途径。在概述现状、记录进展不均衡之后(见“不仅仅是更大的数据集”一节),我们研究医学影像论文中在不同“发表生命周期”阶段频繁出现的若干失败:使用什么数据(见“数据:临床的不完美窗口”一节)、使用什么方法以及如何评估这些方法(见“错失目标的评估”一节),以及如何发表结果(见“发表:扭曲的激励”一节)。在每一节中,我们首先讨论问题,并以既往研究的证据以及我们对近期论文的自身分析作为支持。然后我们讨论若干改善现状的步骤,其中一些借鉴自相关领域。我们希望这些想法有助于塑造更有效应对现实世界医学挑战的研究实践。

不仅仅是更大的数据集

大型标注数据集的可用性使得解决困难的机器学习问题成为可能,例如计算机视觉中的自然图像识别,其数据集可包含数百万张图像。因此,人们普遍希望医学应用中也会发生类似进展,算法研究最终应能解决以判别任务形式提出的临床问题。然而,医学数据集通常较小,数量级为数百或数千:9分享了一份十六个“大型开源医学影像数据集”的列表,规模从267名受试者到65,000名受试者不等。请注意,在医学影像中我们指的是受试者数量,但一名受试者可能有多幅图像,例如在不同时间点拍摄的图像。为简便起见,此处我们假设每名受试者一幅图像/扫描的診断任务。

很少有临床问题能作为定义明确(well-posed)的判别任务、可以自然地框定为机器学习任务。但即使对于这些任务,迄今为止更大的数据集也并未带来所期望的进展。一个例子是阿尔茨海默病(AD)的早期诊断,由于人口老龄化,该病正成为日益加重的健康负担。早期诊断将为早期干预打开大门,而早期干预最有可能有效。大量工作已采集了处于AD发病风险中的老龄个体的脑影像大队列,可在此基础上利用机器学习开发早期生物标志物10。因此,将机器学习应用于开发AD或其前驱阶段轻度认知障碍的计算机辅助诊断的研究,其典型样本量一直在稳步增加。这种增长在出版物中清晰可见,如图1a所示,这是一项汇总了来自6篇系统综述4,11–15的478项研究的荟萃分析。

然而,数据规模的增加(最大的数据集包含超过一千名受试者)并未伴随诊断准确性的提高,尤其是对于最具临床相关性的问题——区分前驱期阿尔茨海默症状患者的病理性与稳定性演变(图1b)。相反,样本量较大的研究往往报告更差的预测准确性。这令人担忧,因为这些较大的研究更接近真实临床环境。另一方面,随时间推移的研究工作确实即使在大型、异质性队列上也带来了改进(图1c),因为较晚发表的研究显示大样本量下的改进(统计分析见补充信息)。当前的医学影像数据集远小于那些在计算机视觉领域带来突破的数据集。尽管无法对规模进行一对一的比较,因为计算机视觉数据集具有许多类别且变异度高(相比之下医学影像类别少且变异度较低),但在医学影像中实现更好的泛化可能需要汇集显著更大的数据集,同时避免下文所述的机会性数据收集所产生的偏倚。

图1 更大的脑影像数据集不足以实现更好的阿尔茨海默病机器学习诊断。一项跨越6篇综述论文、涵盖500多篇单个出版物的荟萃分析。机器学习问题通常被表述为区分各种相关的临床状态:阿尔茨海默病(AD)、健康对照(HC)和轻度认知障碍,后者可提示前驱期阿尔茨海默病。从临床角度看,区分进展型轻度认知障碍(pMCI)与稳定型轻度认知障碍(sMCI)是最相关的机器学习任务。a 报告的样本量随研究发表年份的变化。b 报告的预测准确性随研究中受试者数量的变化。c 同一图,区分不同年份发表的研究。 查看原图 ↗

数据,一扇观察临床的不完美窗口

数据集可能存在偏倚:仅部分反映某一应用

现有数据集只能部分反映特定医学状况的临床实际情况,从而导致数据集偏倚16。例如,作为人群研究一部分收集的数据集,其人群特征可能与因治疗而被转诊至医院的人群不同(后者疾病发生率更高)。由于研究者可能未意识到相应的数据集偏倚,这可能导致研究的重要缺陷。当用于构建决策模型的数据(训练数据)与其应用对象数据17(测试数据)具有不同分布时,就会发生数据集偏倚。为评估具有临床相关性的预测,测试数据必须与 actual 目标人群相匹配,而不是像机器学习研究中常见做法那样,仅作为与训练数据同一数据池的随机子集。存在这种不匹配时,在基准测试中得分高的算法在真实世界场景中可能表现不佳18。在医学影像中,数据集偏倚已在胸部X线19–21、视网膜成像22、脑成像23,24、组织病理学25或皮肤病学26中得到证实。此类偏倚可通过在不同来源的数据集上训练和测试模型,并观察跨来源的性能下降来揭示。

医学影像中数据集偏倚有许多潜在来源,可在建模过程的不同阶段引入27。首先,队列可能无法适当代表可能患者和症状的范围,这种偏倚有时称为谱偏倚28。一个有害后果是,模型性能在不同群体之间可能被高估,例如男性和女性个体之间21,26。然而,医学影像出版物并不总是报告数据的人口统计学信息。

成像设备或操作程序可能导致特定的测量偏倚。对临床相关自动诊断尤其有害的一种偏倚是数据捕获了医学干预。例如,在胸部X线数据集中,“气胸”状况的图像有时显示胸腔引流管,这是该状况的一种治疗措施,而在诊断之前尚不应存在29。类似的虚假相关也可能出现在皮肤病变图像中,原因是皮肤科医生在病变旁放置了标记30。

标注错误也可能引入偏倚。专家人类标注者在分配不同标签的方式上可能存在系统性偏倚31,而且很少可能通过多名标注者来补偿。使用自动方法从患者报告中提取标签也可能导致系统性错误32。例如,一份关于随访扫描的报告未提及先前已知的发现,可能导致不正确的“阴性”标签。

数据集可获得性扭曲研究

数据集的可用性会影响哪些应用被更广泛地研究。肿瘤学的两个应用是一个显著例子:检测肺结节和在放射图像中检测乳腺肿瘤。肺部数据集在Kaggle或grand-challenge.org上广泛可用,相比之下(据我们所知)只有一个聚焦于乳腺X线摄影的挑战赛。我们考察这些主题的受欢迎程度,此处定义为聚焦肺部或乳腺成像的论文比例,无论是在普通医学肿瘤学文献中还是在人工智能(AI)文献中。在医学肿瘤学中,这一比例随时间对肺部和乳腺成像都相对恒定,但在AI文献中,肺部成像出版物在2016年显示出大幅增长(图2,方法学细节见补充信息)。我们怀疑大约在那时发布的Kaggle肺部挑战赛促成了这一不成比例的增长。关于数据集趋势的类似观点在机器学习的整个历史中已被普遍提出33。

图2 应用相对受欢迎程度之间的差异。我们展示了关于肺癌(蓝色)与乳腺癌(红色)的论文百分比,相对于两个领域内所有论文:医学肿瘤学(实线)和AI(虚线)。论文如何选取的细节在补充信息中给出。百分比相对恒定,除了AI中的肺癌,其在2016年之后显示出增长。 查看原图 ↗

让我们建立对数据局限性的认识

解决由数据引起的此类问题需要对数据集选择进行批判性思考,在项目层面,即为一项研究或挑战赛选择哪些数据集,以及在更广泛的层面,即我们作为一个社区在哪些数据集上工作。

在项目层面,数据集的选择将影响在数据上训练的模型以及我们从结果中能得出的结论。一个重要步骤是使用来自多个来源的数据集,或在可行时从一开始就创建稳健的数据集9。然而,现有数据集仍可被批判性地评估数据集偏倚34、隐藏的患者亚组29或错误标注的实例35。Zendel等人18提出了针对计算机视觉数据集此类评估的检查清单。当发现问题时,重新标注数据的一个子集可能是一项值得的投资36。

在社区层面,我们应当促进对数据集局限性的理解。良好的数据集文档应描述其特征和数据收集37。分布式模型应详述其局限性以及为训练它们所做的选择38。

考察不同领域数据集使用演变的荟萃分析是反思当前研究工作的另一种方式。例如,一项关于医学成像中众包的研究39显示的应用分布与聚焦机器学习的调查1,2不同。将更偏临床的场所与更偏技术的场所进行对比,可以揭示机器学习研究的机会。

偏离目标的评估

评估误差往往大于算法改进

方法研究通常侧重于在基准数据集上超越其他算法。但过度关注基准性能可能导致收益递减,即越来越大的投入取得越来越小的性能提升。这在医学成像中的机器学习发展中也可见吗?

我们研究了8项Kaggle医学影像挑战赛中的性能改进,其中5项关于疾病诊断检测,3项关于图像分割(详见补充信息)。在图3中,我们使用挑战赛中使用的两个测试集——公开排行榜和私有排行榜之间的算法性能差异来量化评估噪声——即公开测试集与私有测试集之间性能差异的分布。我们将其分布与获胜者差距——最佳算法与“前10%”算法之间的性能差异——进行比较。

总体而言,8项挑战赛中有6项属于收益递减类别。对于5项挑战赛——肺癌、精神分裂症、前列腺癌诊断和颅内出血检测——评估噪声大于获胜者差距。换言之,前10%方法所取得的增益小于评估一种方法时的预期噪声。

对于另一项挑战赛——气胸分割,私有集上的性能比公开集更差,揭示出大于获胜者差距的过拟合。只有两项挑战赛(covid 19异常和神经分割)显示出获胜者差距大于评估噪声,这意味着获胜方法相较于前10%竞争者取得了实质性改进。

图3 Kaggle挑战赛:在八项具有显著激励的医学影像挑战赛中,从公开集到私有集的变化与排名前10%模型间的改进的比较。蓝色小提琴图显示评估噪声——公开排行榜与私有排行榜之间差异的分布。公开集与私有集之间的系统性偏移(正值意味着私有排行榜优于公开排行榜)表明存在过拟合或数据集偏倚。该分布的宽度显示评估的噪声程度,或公开分数对私有分数的代表性。棕色柱条为获胜者差距,即排名最高的模型(获胜者)与前10%最佳模型之间的改进。将该改进与公开集和私有集之间差异的偏移和宽度进行比较是有意义的:如果获胜者差距更小,则前10%最佳模型已达到收益递减,未能在新数据上带来实际改进。 查看原图 ↗

不当的评估程序与信息泄漏

对模型性能的无偏评估依赖于使用独立的数据集对模型进行训练和测试40。然而,该程序的不正确实施很容易泄漏信息,导致过于乐观的结果。例如,一些基于脑影像对ADHD进行分类的研究采用了循环分析41,在交叉验证之前对整个数据集进行特征选择。另一种泄漏的例子出现在将同一个体的重复测量数据分散到训练集和测试集中时,算法随后学会识别个体患者而非疾病的标志物42。

一个相关但更难检测的问题是我们所称的“观察者过拟合”:即使使用交叉验证,研究人员仍可能通过调整方法以提高观察到的交叉验证性能来过拟合,这实质上将测试折纳入了模型的验证集。Skocik等人43通过展示以这种方式调整模型如何能使随机生成的数据获得优于随机的交叉验证性能,说明了这一现象。这可以解释挑战赛中可见的部分过拟合(见评估部分“误差往往大于算法改进”),不过在挑战赛中,私有测试集能揭示过拟合,而已发表的研究中往往并非如此。对挑战赛的另一项建议是留出多个数据集(而非同一数据集的一部分),例如Decathlon挑战赛44中所做的那样。

不能反映我们目标的指标

评估模型需要选择合适的指标。然而,我们对“合适”的理解可能随时间而变化。例如,一种曾广泛用于评估图像配准算法的图像相似性指标,后来被证明是无效的,因为打乱的图像可能导致高分45。

在医学图像分割中,Maier-Hein等人46回顾了150项挑战赛,并表明用于对算法排名的典型指标对同一指标的不同变体敏感,这使得任何单个排名的客观性受到质疑。

评估中可能缺失重要指标。除了典型的分类指标(敏感性、特异性、曲线下面积)外,一些作者主张使用校准指标来比较预测概率与观察概率28,47。

最后,所使用的指标可能并不等同于实际改善48,49。例如,计算机视觉中的典型指标不能反映图像识别的重要方面,如对分布外样本的鲁棒性49。同样,在医学影像中,传统指标的改善可能不一定转化为不同的临床结局,例如在分割应用中,鲁棒性可能比精确勾画更重要。

错误选择的基线

开发新算法建立在这些算法与基线的比较之上。然而,如果这些基线选择不当,所报告的改善可能具有误导性。

基线可能没有适当考虑近期进展,这在机器学习应用于医疗保健50以及其他机器学习应用51–53中均有揭示。

相反,不应忘记对当前问题有效的简单方法。例如,Wen等人14表明,在基于脑影像的阿尔茨海默病诊断中,卷积神经网络并未优于支持向量机。

最后,算法的微小实现细节可能很重要,而许多人并未意识到实现因素54。

未检验或误解统计显著性

实验结果本质上是有噪声的:结果可能取决于用于训练模型的具体样本、随机初始化、超参数的微小差异55。然而,预测模型的基准评估目前缺乏被广泛采纳的统计良好实践,以将噪声与可推广的发现区分开来。

首个有充分文献记载的脆弱性来源是样本量过小的机器学习实验56。事实上,测试预测建模需要大量样本,多于传统推断性研究,否则所测得的预测准确性可能只是对真实性能的远距离估计。样本量正在增长,尽管速度缓慢57。从积极方面看,一项关于Kaggle公共与私人排行榜的荟萃分析58提示,当测试数据“足够大”(至少数千)时,过拟合问题不那么突出。

另一个挑战是,方法的强验证要求其对数据细节具有稳健性。因此,验证应超越单一数据集,而应努力在多个数据集间寻求统计共识59。然而,相应的统计程序需要数十个数据集才能确立显著性,实践中很少使用。相反,医学影像研究常常在不同研究间重复使用相同数据集,这增加了偶然发现表现良好算法的风险,构成隐性的多重比较问题60。

但总体而言,医学影像研究很少分析经验结果因偶然性而出现的可能性:所调查的分割挑战赛中仅6%61,以及ACM发表的410篇热门计算机科学论文中仅15%使用了统计检验62。

然而,零假设检验常被误解63,有两个显著挑战:(1)缺乏统计显著结果并不能证明效应不存在;(2)只要有足够数据,任何微不足道的效应都可以显著64,65。基于这些原因,Bouthiellier等66建议用优效性检验替代传统零假设检验,即检验改善是否超过给定阈值。

让我们重新定义评估

更高的基准测试标准

良好的机器学习基准测试是困难的。我们在下面汇编了医学机器学习评估的几个公认最佳实践28,40,67,68:从一开始、在任何数据变换之前就将所有测试数据分离出来,以防数据泄漏。

有文档记录的超参数选择方式(包括神经网络的架构参数、使用额外(未标注)数据集或迁移学习2),且绝不使用测试集数据。

测试集中有足够数据以带来统计功效,至少数百个样本,理想情况下数千或更多9,并报告性能指标的置信区间——见补充信息。总的来说,更多关于机器学习研究适当样本量的研究将是有益的。

丰富的数据以代表患者多样性和疾病异质性,理想情况下为多机构数据,包括所有相关患者人口学特征和疾病状态,并有明确的纳入标准;其他招募方式不同的队列则更进一步确立外部有效性69,70。

强基线,既反映机器学习研究的最新水平,也反映历史解决方案,包括不一定依赖医学影像的临床方法。

讨论由任意选择(随机种子)和数据来源引起的结果变异性,并关注统计显著性——见补充信息。

使用不同的定量指标来捕捉临床问题的不同方面,并将其与相关的临床性能指标联系起来。特别是,应利用检测目标结局的潜在健康获益来选择假检测和漏检之间的正确权衡71。

在指标设计中加入定性描述,并让受应用影响最大的群体参与其中72。

不仅仅是超越基准

即使经过适当的验证和统计显著性检验,在基准上衡量微小的改进也很少有用。相反,一种观点是,除了拒绝零假设之外,一种方法应该基于其带来现有解决方案可观改进的证据而被接受。这类标准与临床试验中有时使用的优效性检验相关73–75。这些检验在预测建模基准中易于实施,因为它们相当于将观察到的改进与因数据采样或随机种子等任意选择而导致的结果变异进行比较55。

组织带有隐藏测试集的盲法竞赛,可以减轻赢家诅咒。但为了带来进步,竞赛不应只关注获胜者。相反,通过比较竞争方法和分析成功及失败案例的决定因素,可以学到更多。

循证医学良好实践

部署在临床实践中的机器学习算法是一种健康干预。已有成熟的实践来评估健康干预的影响,主要建立在随机临床试验的基础上76。这些试验需要实际修改患者的治疗,因此只应在对历史数据进行全面评估后运行。

一项可靠的试验评估的是精心选择的患者健康结局指标,而非算法的预测性能。许多间接机制可能影响这一结局,包括整个诊疗流程如何适应计算机辅助决策。例如,即使预测不完美,其正面后果可能是将人力资源重新分配到复杂病例上。但负面后果可能是过度自信导致诊断错误增加。整群随机试验可以解释护理单元层面的改变如何影响个体患者:以护理单元而非个体为单位随机分配接受干预(机器学习算法)77。通常,双盲是不可能的:护理提供者知道使用的是研究中的哪一臂,基线条件还是被评估的系统。提供者的期望可能有助于治疗的成功,例如通过间接的安慰剂或反安慰剂效应78,如果健康获益很小,这使得对其的客观评估具有挑战性。

发表,扭曲的激励

没有追求清晰性的激励

发表过程不会为清晰性创造激励。力求给人留下深刻印象的努力可能会导致论文中不必要的“数学化”或暗示性语言79(如“人类水平表现”)。

重要细节可能被省略,从展示方法中哪部分驱动改进的消融实验79,到报告算法在竞赛中如何被评估[46]。这反过来削弱了可重复性:即能够复现确切结果或甚至得出相同结论80,81。

为发表而优化

作为研究者,我们的目标应该是解决科学问题。然而,我们所处文化环境的现实可能会扭曲这一目标。古德哈特定律很好地总结了这一问题:当一个度量指标成为目标时,它就不再是一个好的度量指标。由于我们的学术激励体系建立在论文发表之上,古德哈特定律通过这一机制侵蚀了论文的科学内容。

方法类论文因其新颖性而被选中发表。然而,在121个数据集上比较179个分类器的结果显示,排名靠前的方法之间没有统计学显著差异[82]。为了维持新颖性,研究者可能会在方法中引入不必要的复杂性,这些复杂性既不改善预测性能,反而增加了技术债务,使系统更难维护和部署83。

另一个被强调的指标是获得“最先进”的结果,这导致了第“评估”节中概述的若干偏离目标的评估问题。发表“好”结果的压力可能加剧方法学漏洞84,例如在机器学习中操纵评估85。于是,为阳性但脆弱的实证发现寻找事后的理论辩护就变得极具吸引力。这种现象被称为HARKing(知道结果后再提出假设)86,已在机器学习87和计算机科学整体领域62中被记录。

最后,论文的选择性发表造成了所谓的“文件抽屉问题”88:阳性结果(其中一些源于实验偶然)比相应的阴性发现更有可能被发表。例如,在ACM下载量最高的410篇论文中,使用了显著性检验的论文中有97%的发现p值小于0.0562。即使对于有影响力的工作,初始工作假设中只有3%最终未被证实,这似乎极不可能。

让我们改进我们的发表规范

幸运的是,有多种途径可以改善报告和透明度。例如,不断增长的开放数据集可以被利用于超出单个团队能力的协作工作89。然后可以拓宽所研究的度量指标集,将发表重点从单一维度的基准转移开。更多指标确实有助于理解方法的优势和劣势41,90,91,例如探索校准指标28,47,92或学习曲线93。医学研究文献中有若干针对预测研究的报告指南67,94,95。它们强调了前几节中提出的许多要点:报告研究样本的代表性、训练数据与测试数据之间的分离、选择结局指标的动机、评估指标等。不幸的是,医学影像中的算法研究很少参考这些指南。

对方法的研究不应仅限于预测性能:可重复性81、碳足迹96或对成本的广泛评估,都应结合算法假定的临床使用所带来的真实世界患者结局来加以权衡97。

预注册或注册报告可以带来更多的稳健性和信任:论文的动机和实验设置可在实证结果获得之前接受评审,因此论文在实验运行之前即被接受98。将这一理念转化到机器学习面临一个挑战,即机器学习研究中很少获取新数据,但它将带来可观的益处62,99。

更广泛地说,加速科学进步要求接受这样一个事实:某些已发表的研究结果有时是错误的100。推广不同类型的出版物可能有所帮助,例如发表阴性结果101、重复性研究102、评论103以及对领域的反思68或近期的NeurIPS回顾研讨会。此类举措最好应由更资深的学者主导,并对新人持欢迎态度104。

结论

尽管前景广阔,机器学习在医学应用领域的广泛研究很少产生临床影响。研究学术文献和数据科学挑战揭示了令人担忧的趋势:在更接近真实环境的研究队列上,诊断任务的准确率进展更慢;方法学研究往往由数据集可获得性而非临床相关性所引导;许多模型改进带来的提升小于评估误差。我们调查了临床机器学习研究中的挑战,这些挑战可以解释上述困难。挑战始于数据集的选择,困扰模型评估,并因发表激励而被放大。理解这些机制使我们能够提出具体策略,以改进研究周期的各个步骤,促进发表最佳实践105。这些策略中没有一个是银弹解决方案。它们更需要改变程序、规范和目标。但实施这些策略将有助于实现机器学习在医疗保健中的承诺:为患者带来更好的健康结果,同时减轻护理系统的负担。

补充信息

补充信息

LaTeX源文件

引用

  1. Varoquaux G, Cheplygina V. Machine learning for medical imaging: methodological failures and recommendations for the future. NPJ Digit Med. 2022. PMID: 35413988. doi:10.1038/s41746-022-00592-y
  2. 全文:PMC9005663(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9005663/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。