バージニア工科大学のコンピューターサイエンス教授であるダフネ・ヤオ氏は、医療アプリケーションにおける機械学習モデルの予測精度を向上させたいと考えています。不正確な予測は生命を脅かす結果をもたらす可能性があります。これらの予測誤差は、緊急治療室の訪問中に患者が癌で死亡するか生存する可能性の誤算につながる可能性があります。
#彼女の発見は、最近、医療コミュニケーション誌に掲載されました。このジャーナルは、臨床、トランスレーショナル、医療のすべてをカバーする質の高い研究、レビュー、論文の出版に特化したジャーナルです。公衆衛生の研究分野。
多くの臨床データセットは大多数の母集団サンプルによって占められているため、バランスが取れていないとヤオ氏は述べています。典型的な画一的な機械学習モデルのパラダイムでは、人種や年齢の違いが存在する可能性がありますが、無視される可能性があります。
Yao 氏とその研究チームは、米国医学アカデミーの会員であり、米国デル医学部の精神医学および行動科学の准教授である Charles B. Nemeroff 氏と共同研究しました。テキサス大学オースティン学部の教授は、トレーニング データのバイアスが、特に若い患者や有色人種の患者など過小評価されている患者の予測結果にどのような影響を与えるかを研究しています。
「高度な機械学習の世界的リーダーであるヤオ氏と仕事ができることに非常に興奮しています。」とネメロフ氏は述べています。学習における新たな進歩は、臨床研究者が頻繁に遭遇する非常に重要な問題、つまり臨床試験に通常参加する比較的少数の少数派の問題に適用できる可能性があります。”
この結果医学的結論は主に多数派グループ(ヨーロッパ系白人患者)に対して導かれており、少数民族グループには当てはまらない可能性があります。
ネメロフ氏は、「この新しい報告書は、少数派グループの予測の精度を向上させる方法を提供します。」「明らかに、これらの発見は少数派の扱いの改善に重要な意味を持っています」臨床ケアは非常に重要です。"
Yao のバージニア工科大学チームは、コンピュータ サイエンス学科の博士課程学生 Sharmin Afrose と Wenjia Song、および工学部の Chang Lu で構成されています。化学工学部、フレッド・W・ブル教授が構成。研究を実施するために、彼らは、特定の民族または年齢グループ向けにカスタマイズされたモデルをトレーニングする新しい二重優先 (DP) バイアス補正方法を使用して、2 つのデータセットに対して 4 つの異なる予後タスクに関する実験を実施しました。
「私たちの研究は、予測エラーを修正できる新しい AI 公平性手法を実証しています」と、博士課程 4 年生の Song 氏は述べました。同氏は、研究分野にデジタル ヘルスとサイバーセキュリティの機械学習が含まれています。 「当社の DP 手法は、少数派クラスのパフォーマンスを最大 38% 向上させ、異なる人口統計グループ間の予測の差異を大幅に削減し、他のサンプリング手法よりも 88% 優れています。」
The #Surveillance, Epidemiology,ソング氏は乳がんと肺がんの生存率に関するタスクに End Outcomes データセットを使用し、博士課程 5 年生のアフロス氏はボストンのベス イスラエル ディーコネス メディカル センターのデータセットを院内死亡率予測と失効補償予測タスクに使用しました。「偏見を軽減するソリューションを見つけられたことに興奮しています」と、ヘルスケアおよびソフトウェア セキュリティにおける機械学習を研究の焦点としているアフローズ氏は述べています。 「当社の DP バイアス補正技術は、少数派グループの生命を脅かす可能性のある予測エラーを削減します。」
これらの発見は公開され、一般にアクセスできるため、チームは他の研究者との協力に熱心に取り組んでいます。これらの方法を独自の臨床データ分析に使用します。
#Song 氏は次のように述べています。「私たちの手法は、さまざまな機械学習モデルに簡単に導入でき、表現バイアスのあるあらゆる予測タスクのパフォーマンスの向上に役立ちます。」
以上が人工知能の公平性技術は命を救う上で大きな意味を持つの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。