如果大數(shù)據(jù)要發(fā)揮其推動現(xiàn)代醫(yī)療保健發(fā)展的潛力，那么醫(yī)學(xué)AI的開發(fā)人員必須愿意詳細展示其工作，來自世界各地的25位左右的研究人員共同在《自然》雜志上發(fā)表了一篇文章。

作者寫道：“以用于訓(xùn)練模型并獲得其最終參數(shù)集的實際計算機代碼形式的透明度對于研究可重復(fù)性至關(guān)重要?！弊髡邚娬{(diào)說，科學(xué)方法中的后一步是必不可少的。

該團隊針對這一廣為宣傳的2020年Google Health研究進行了討論，該研究的作者認為，在某些情況下，他們的AI系統(tǒng)在乳房X線照片中發(fā)現(xiàn)癌癥的能力可能優(yōu)于經(jīng)驗豐富的放射科醫(yī)生。

本《自然》雜志的作者指出，沒有其他研究團隊能夠再現(xiàn)這些發(fā)現(xiàn)。他們指出，部分問題在于Google Health對許可數(shù)據(jù)集的依賴超出了大多數(shù)嘗試復(fù)制Google Health結(jié)果的人的能力范圍。

《自然》文章的簽字人約翰·夸肯布什（John Quackenbush）博士在哈佛大學(xué)陳公共衛(wèi)生學(xué)院發(fā)布的新聞中說，科學(xué)方法的基礎(chǔ)是“研究結(jié)果必須可由其他人檢驗。在臨床應(yīng)用中，可測試性甚至更加重要，因為在將這些方法用于患者之前，我們需要對我們的方法具有高度的信心?！?/p>

Quackenbush是哈佛大學(xué)生物統(tǒng)計學(xué)系系主任，也是達納-法伯癌癥研究所的教授。他補充說：“在人工智能的應(yīng)用中，這要求模型，軟件代碼和數(shù)據(jù)可用于獨立驗證?！薄巴该鞫葘⒓涌煅芯克俣?，提高患者護理水平，并在科學(xué)家和臨床醫(yī)生之間建立信心?！?/p>

責任編輯：lq