期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
针对患者利益的机器学习和人工智能研究:在透明性、可重复性、伦理和有效性等方面的20个关键问题 被引量：11
1
作者 Sebastian Vollmer Bilal A Mateen +18 位作者 Gergo Bohner Franz J Kirdly Rayid Ghani Pall Jonsson Sarah Cumbers Adrian Jonas Katherine S L McAllister Puja Myles David Granger Mark Birse Richard Branson Karel G M Moons Gary S Collins John P A Chris Holmes Harry Hemingwayp 李峰(译) 徐磊(校) 赵邑(校) 《英国医学杂志中文版》 2020年第9期522-533,共12页
机器学习(ML)、人工智能(AI)和其他现代统计方法正为利用先前尚未开发且极速增长的数据资源提供新的机会,以期让患者获益。尽管目前正在进行许多有前景的研究,特别是在图像方面,但就文献整体而言还缺乏透明度、对可重复性清晰的阐述、... 机器学习(ML)、人工智能(AI)和其他现代统计方法正为利用先前尚未开发且极速增长的数据资源提供新的机会,以期让患者获益。尽管目前正在进行许多有前景的研究,特别是在图像方面,但就文献整体而言还缺乏透明度、对可重复性清晰的阐述、对潜在伦理问题的探究,以及对有效性的明确验证。这些问题的存在有许多原因,其中最重要的一点(为此我们提供了初步解决方案)就是当前缺乏针对ML和AI的最佳实践指南。我们认为从事研究的跨学科团队和应用ML/AI影响健康的项目,将因解决有关透明度、可重复性、伦理和有效性(TREE)的一系列问题而受益。这里提出的20个关键问题为研究团队提供了一个研究设计、实施和报告框架;帮助编辑和同行评审专家评估文献的贡献;让患者、临床医生和政策制定者评估新发现可能会给患者带来的获益。 展开更多
关键词 人工智能研究 机器学习 同行评审 数据资源 缺乏透明度 可重复性 透明性 跨学科团队
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部