医疗人工智能工具可以有效地为不同的位置工作，人口

对于人工智能（AI）来实现其充分潜力的患者患者患者，研究人员将不得不证明他们的机器学习成功可以持续跨越环境和患者人口复制。

这就是为什么西方储备生物医学工程研究人员越来越关注将他们的小型算法应用于患者扫描来自多个地点的患者。

例如，在这个春天早些时候，他们公布了涉及来自三名医疗保健系统400名患者的肺癌诊断的有希望的结果。和2020年的研究表明，他们的方法可以在四个地点预测610例早期肺癌患者的复发。

“这不是一件小事 - 这是一个重要的下一步，让临床人员有一天为临床医生制作，它是我们必须解决的事情之一，”大学的计算成像和个性化诊断中心主任Anant Madabhushi（CCIPD）说。“例如，我们知道，即使在一个医院内，也可以让患者扫描不同的CT扫描仪，导致外观不同的图像，因此AI必须能够解释这些差异。”

因此，如果AI将被信任 - 然后经常使用医生和临床医生，那些最终用户不仅可以相信计算机诊断，而且它可以被复制 - 并专门为自己工作耐心。

下一步：重新证明可重复的结果

研究人员称之为可重复性或经常“概括性”，这是一种成功的方法，治疗或工具可以在几乎或在几乎任何其他变量的何时，地点或谁中工作的想法。

它已经证明了一个难以捉摸的目标，甚至被其他研究人员称为“神话”，他已经确定了几个令人生畏的障碍。这些困难包括CT机器如何产生图像的差异，硬件和软件和患者人口统计学的变化。

为此，Madabhushi和他的小组正在使用肺癌的广义AI签名对他们已经识别的CT扫描进行了预期临床试验。

研究人员一直在俄亥俄州东北部门合作，评估这些AI工具的真实世界普遍性，以解决肺癌诊断和预后的问题。

现在，在开发可推广的AI模型的领域，在过去几年中，新出版的研究在综合组织内部和持续的工作。

新的是创造一个更正式的框架，用于确定稳定和准确的功能，同时还验证了大量研究和机构的方法。

Madabhushi，生物医学工程研究的研究。学生穆罕默德哈迪Khorrami和合作者分别于2020年4月在杂志中出现肺癌，并于2021年3月在欧洲癌症杂志。

差异：'稳定'功能

为此，Anant Madabhushi和他的小组在大学的计算成像和个性化诊断（CCIPD）中已成功地应用了他们的AI确定哪种肺癌患者对化疗，免疫疗法或在某些情况下，癌症是否会回归或患者可能居住多久。

但在每种情况下，这些结果只能来自对事实后的现有数据和/或图像的分析，并且仅适用于单一组癌症患者。

现在，而不是只是教授他们的计算机，专注于扫描中的特征，这些功能区分恶性和良性肿瘤例如，它们编程了AI，还要记住从一个扫描到另一扫描到另一扫描的较小功能 - 即使这些功能与之无关癌症本身。

这项工作的关键是通过生物医学工程博士评估数百种图像特征。学生穆罕默德哈迪·斯巴邦霍拉米说。

Khorrami不仅考虑了纹理和形状的方式肺结节可能导致诊断肺癌并预测结果，也是如何一致或稳定，这些功能跨越CT扫描仪和网站。

“要这样做，我们确定了一组最准确的功能 - 但同时在网站上稳定，”Khorrami说。“所以，当我们在外部站点上使用这些准确且稳定的功能评估机器学习模型时，与只有最准确的功能创建的那些，这些型号更好地做得更好，该模型不考虑特征的稳定性。”

---

---