Brief news summary

En nylig undersøgelse i Nature Medicine afslørede, at AI-maskinlæringsmodeller, der anvendes inden for medicinsk billeddannelse, viser bias, der er sammenlignelige med menneskelig bias. Selvom disse modeller er yderst dygtige til at forudsige race og køn, kan de måske ikke udføre lige så effektivt ved sygdomsdiagnose. Dette vækker bekymring om den stigende anvendelse af AI inden for medicinsk billeddannelse. Bias i AI påvirkes af forskellige faktorer, herunder mængden og kvaliteten af træningsdata, datastruktur og menneskelig bias. For at løse dette problem er regelmæssig evaluering og revision af AI-modeller essentiel for at mindske bias. Undersøgelsen fandt, at selvom den overordnede præstation af AI-modellerne var tilfredsstillende, var der variationer i prædiktionsnøjagtighed baseret på køn og race. Undersøgelsen anbefaler implementering af specifikke teknikker til at reducere bias og understreger vigtigheden af at evaluere modeller ved hjælp af patienter, der ligner dem, som de er trænet på. For at opnå nøjagtige resultater på tværs af forskellige demografier bør hospitaler, der anvender AI-modeller, grundigt evaluere algoritmerne med deres egne patientdata, især når de anvender eksterne data.