.png){kind=icon}
返回
Subgroup Performance Analysis in Hidden Stratifications
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05185-1_57.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习（ML）模型在不同患者群体间可能存在显著性能差异。通过在细粒度层面监测性能来识别此类差异，对于安全地将ML部署到每位患者至关重要。基于元数据的传统亚组分析只有在可用元数据（如患者性别）足以反映性能变异的主要因素时，才能揭示性能差异，但这并不常见。基于学习特征表示识别凝聚亚组的亚组发现技术似乎是一种潜在解决方案：它们可以揭示隐藏的分层并提供更细粒度的亚组性能报告。然而，亚组发现即使作为独立任务也难以评估，因为真实数据中不存在地面真实分层标签。因此，亚组发现既未被应用于亚组性能监测，也未被评估。在此，我们将亚组发现应用于胸部X光和皮肤病变分类中的性能监测。我们提出了新的评估策略，并表明一种简化的亚组发现方法（无需分类标签或元数据）可以揭示比传统基于元数据的亚组分析更大的性能差异。我们提供了首个令人信服的证据，表明亚组发现可以作为全面性能验证和监测可信医疗AI的重要工具（代码可访问https://github.com/alceubissoto/hidden-subgroup-perf）。
Keyword:
Subgroup discovery
performance monitoring
期刊
机构
引用论文
Distribution shift detection for the postmarket surveillance of medical AI algorithms: a retrospective simulation study.png)
NPJ DIGITAL MEDICINE
OAAI
NPJ DIGITAL MEDICINEIF15.1
OAAI分享收藏The SLICE-3D dataset: 400,000 skin lesion image crops extracted from 3D TBP for skin cancer detectionSLICE-3D数据集: 从3D TBP中提取的400,000个皮肤病变图像作物，用于皮肤癌检测
OAAI
OAAI分享收藏Underdiagnosis bias of artificial intelligence algorithms applied to chest radiographs in under-served patient populations在服务不足的患者人群中应用于胸部x光片的人工智能算法的诊断不足偏差NATURE MEDICINEOAAI
NATURE MEDICINEIF50
OAAI分享收藏A Multimodal Biomedical Foundation Model Trained from Fifteen Million Image–Text Pairs一个基于1500万图像-文本对训练的多模态生物医学基础模型NEJM AI
NEJM AIIF0
PREAI
分享收藏
查看更多内容