一个国际科学家小组，包括ELIXIR 机器学习焦点小组，制定了一套指导方针，以更好地报告 AI 方法的标准，旨在对生物医学数据进行分类。这种方法的例子是机器学习预测器，它试图根据遗传和其他数据识别某人是否患有特定的罕见疾病，或者预测方法旨在识别癌症患者对哪种药物反应最好。这些建议发表在著名期刊《自然方法》上。
Tom Lenaerts 教授，ELIXIR 机器学习焦点小组成员，现任IB²、布鲁塞尔自由大学和布鲁塞尔自由大学生物信息学研究所所长：“如今机器学习和深度学习的流行给人的印象是新颖的无需过多考虑数据和实际目标，即可快速设计 AI 工具。这不是问题。当人们不完全了解预测方法中使用的数据和特征的性质时，很容易出现不准确。在医学和生物领域，一半以上的时间应该花在设计高质量的数据集和寻找正确的特征集来训练方法上。”
发表在Nature Methods 上的文章为旨在构建或发布生物和医学科学的监督分类方法的任何人提供了清单和建议。关于应该在科学论文中报告什么的指导方针使得可以充分评估新方法的形式和质量，并满足可重复性保证。建议报道新型 AI 预测方法的顶级期刊纳入这些 DOME 指南，以确保生物医学 AI 领域的进步保持最高标准，就像任何其他生物医学设备的情况一样。
莱纳茨：“尽管新型预测 AI 方法可能为分子或疾病理解和潜在的患者护理带来好处，但它们通常会遇到可重复性和清晰度问题，以及在最坏情况下与预测器中使用的数据和方法相关的设计和偏差问题。对这些方法的主要部分的不充分解释不仅会导致不信任，还会阻碍将建议的方法转移到诊所，从而阻碍患者护理。通过将本文中要求的信息添加到您自己的手稿或任何人都可以查阅的在线文档中，可以将小麦与谷壳分开，并将这些领域的机器学习产品标准提高到更高的水平。遵循 DOME 的建议，人们会发现 AI 解决方案相关且有用，
Tom Lenaerts 是IB²、布鲁塞尔自由大学和布鲁塞尔自由大学生物信息学研究所的主任，ULB 机器学习小组 (MLG) 的联合负责人，部分隶属于布鲁塞尔自由大学的人工智能实验室。MLG 和 AI 实验室都是欧洲 AI 网络 CLAIRE和位于布鲁塞尔的新AI 公共利益研究所 FARI 的成员。Tom Lenaerts 是 ELIXIR 机器学习焦点小组的成员，并在文章中如此命名。文章中报告了与 ULB、VUB 和 IB² 的从属关系。
标签：
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。