创建了一个仪表板来跟踪所有与人类健康相关的人工智能研究 (aiforhealth.app) 使用微调的 BERT 模型
临床AI领域存在大量“研究浪费”。尽管有持续的炒作、希望和投资,但人工智能研究向床边医学的转化极其有限。
AI 研究的开展方式存在许多潜在问题,包括回收和再利用相同的不具代表性的数据集、评估方法不反映现实世界的情况、对来自 AI 可能影响最大的国家的研究人员和人群的充分包容,并专注于这些相同上下文中的算法改进(而不是解决在现实世界中部署的障碍)。一个问题是对 AI 研究的巨大格局缺乏统一的观点。像 PubMed 这样的索引引擎在任何搜索的敏感性和特异性之间都没有达到很好的平衡,并且搜索会导致大量的“箔条”。很难确定实际开发临床 AI 模型的研究,更不用说模型评估的特定方法或特定领域的研究,无需大量人工审核。手动尝试对已发表的 AI 研究的整个卷进行范围是困难的,并且不可重复。
这就是着手制作这个仪表板的原因,它使用 BERT-PubMed 模型来近乎实时地识别、分类和表征在 MEDLINE/PubMed 上索引的所有临床 AI 研究。我们有四个主要目标 - (1) 能够轻松识别进行 AI 模型开发的研究;(2) 准确识别以比较方式或前瞻性现实世界情况进行模型评估的研究——即那些理论上更接近部署的研究;(3) 实时绘制人工智能研究成果的全球分布和公平性;(4) 随着时间的推移跟踪临床 AI 的主要主题(包括专业、疾病、算法和数据类型)。
创建此仪表板是一项跨国工作,作者列在仪表板的“关于”选项卡中。
希望广泛分享它,以提高人们对临床 AI 研究中系统性问题的认识,并提供其他人能够进行自己的审查/研究工作的数据。
链接到仪表板
https://aiforhealth.app/
预印本链接
https://doi.org/10.1101/2021.11.23.21266758
代码链接
https://github.com/whizzlab
相关文章
- 【技术种草】cdn+轻量服务器+hugo=让博客“云原生”一下
- CLB运维&运营最佳实践 ---访问日志大洞察
- vnc方式登陆服务器
- 轻松学排序算法:眼睛直观感受几种常用排序算法
- 十二个经典的大数据项目
- 为什么使用 CDN 内容分发网络?
- 大数据——大数据默认端口号列表
- Weld 1.1.5.Final,JSR-299 的框架
- JavaFX 2012:彻底开源
- 提升as3程序性能的十大要点
- 通过凸面几何学进行独立于边际的在线多类学习
- 利用行动影响的规律性和部分已知的模型进行离线强化学习
- ModelLight:基于模型的交通信号控制的元强化学习
- 浅谈Visual Source Safe项目分支
- 基于先验知识的递归卡尔曼滤波的代理人联合状态和输入估计
- 结合网络结构和非线性恢复来提高声誉评估的性能
- 最佳实践丨云开发CloudBase多环境管理实践
- TimeVAE:用于生成多变量时间序列的变异自动编码器
- 具有线性阈值激活的神经网络:结构和算法
- 内网渗透之横向移动 -- 从域外向域内进行密码喷洒攻击