详细内容或原文请订阅后点击阅览
使AI模型更加可信赖高风险设置
一种新方法有助于更精确地传达不确定性，这可以为研究人员和医疗临床医生提供更好的信息来做出决定。
来源:MIT新闻 - 人工智能医学成像中的歧义可能会给试图识别疾病的临床医生带来主要挑战。例如，在胸部X射线中，胸腔积液（肺部流体异常积聚）看起来非常像肺浸润，这是脓或血液的积累。
人工智能模型可以通过帮助识别细微的细节并提高诊断过程的效率来帮助临床医生进行X射线分析。但是，由于一个图像中可能存在许多可能的条件，因此临床医生可能希望考虑一组可能性，而不仅仅是有一个AI预测进行评估。
产生一组可能性的一种有前途的方法，称为共形分类，很方便，因为它可以轻松地在现有的机器学习模型的顶部实现。但是，它可以产生不切实际的集合。
MIT研究人员现在已经开发了一种简单有效的改进，可以将预测设置的规模降低30％，同时也使预测更加可靠。
具有较小的预测集可以帮助临床医生更有效地对临床医生进行正确的诊断，这可以改善和简化患者的治疗。此方法可能在一系列分类任务中很有用 - 例如，用于识别野生动物公园中图像中动物的物种，因为它提供了较小但更准确的选项集。
“随着课程的较少，自然而然的预测是您在更少的选择之间选择的信息。从某种意义上说，您并没有真正牺牲任何东西，因为某些事情更具信息性。
纸预测保证
但是AI预测中固有的不确定性通常会导致模型的输出集太大而无法有用。
最大化精度