ਅਈ ਸਿਹਤ ਦੇਖਭਾਲ ਦੀ ਥਾਂ ‘ਤੇ ਸੁਰਖੀਆਂ’ ਤੇ ਦਬਦਬਾ ਰਿਹਾ ਹੈ ਅਤੇ ਗੱਲਬਾਤ ਦਾ ਇਕ ਮਹੱਤਵਪੂਰਣ ਵਿਸ਼ਾ ਬਣੇਗਾ ਕਿਉਂਕਿ ਅਸੀਂ ਦਵਾਈ ਦੇ ਖੇਤਰ ਵਿਚ ਇਸ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਸਮਝਣ ਦੀ ਸ਼ੁਰੂਆਤ ਕਰਦੇ ਹਾਂ. ਖੋਜਕਰਤਾ ਵੱਖ-ਵੱਖ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੇ ਹੋਸਟ ਲਈ ਨਕਲੀ ਬੁੱਧੀ (ਏਆਈ) ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ (ਐਮਐਲ) ਉਪਕਰਣਾਂ ਦਾ ਵਿਕਾਸ ਕਰ ਰਹੇ ਹਨ ਰੋਬੋਟਿਕ-ਸਹਾਇਤਾ ਸਰਜਰੀ ਨੂੰ ਇਲੈਕਟ੍ਰਾਨਿਕ ਸਿਹਤ ਰਿਕਾਰਡ (EHR) ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਮੈਡੀਕਲ ਚਿੱਤਰਾਂ ਦੀ ਵਿਆਖਿਆ. 7 ਅਗਸਤ, 2024 ਤੱਕ ਅਮਰੀਕੀ ਐਫ ਡੀ ਏ ਨੇ ਅਧਿਕਾਰਤ ਕਰ ਦਿੱਤਾ ਹੈ 950 ਏਆਈ / ਐਮ ਐਲ-ਸਮਰਥਿਤ ਮੈਡੀਕਲ ਉਪਕਰਣ; ਇਸ ਸਾਲ ਇਨ੍ਹਾਂ ਵਿੱਚੋਂ 100 ਤੋਂ ਵੱਧ ਅਧਿਕਾਰਤ ਹਨ. ਐਲਗੋਰਿਦਮ ਪ੍ਰਮਾਣਿਕਤਾ ਦੀ ਦਰ ਇਕ ਵਿਸ਼ਾਲ ਗਤੀ ਤੇ ਹੀ ਵੱਧ ਰਹੀ ਹੈ.
ਸ਼ਾਇਦ ਬੇਲੋੜੀ, ਬਹੁਗਿਣਤੀ ਅਧਿਕਾਰਤ ਮੈਡੀਕਲ ਐਲਗੋਰਿਦਮ ਮੈਡੀਕਲ ਇਮੇਜਿੰਗ ਨਾਲ ਸਬੰਧਤ ਹਨ. ਡਾਕਟਰੀ ਚਿੱਤਰ ਸੰਘਣੀ ਜਾਣਕਾਰੀ ਨਾਲ ਭਰੇ ਹੋਏ ਹਨ ਜਿਸਦੀ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਪੈਟਰਨਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਬਿਮਾਰੀ ਦੀ ਪਛਾਣ ਕਰਨ ਅਤੇ ਅਨੁਮਾਨ ਦੀ ਸਹੂਲਤ ਦੇ ਸਕਦਾ ਹੈ. ਪਰ ਇਸਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਕਿੰਨੀ ਅਈ ਆਉਂਦੀ ਹੈ, ਅਤੇ ਮੈਡੀਕਲ ਇਮੇਜਿੰਗ ਮਾਡਲਾਂ ਵਿਚ ਪਾਰਦਰਸ਼ਤਾ ਵਿਚਾਰ ਕਰਨ ਲਈ ਇਕ ਮੁੱਖ ਕਾਰਕ ਹੈ.
ਜਿਵੇਂ ਕਿ ਏਆਈ ਅਮਰੀਕਾ ਭਰ ਵਿੱਚ ਕਲੀਨਿਕਲ ਸੈਂਟਰਾਂ ਵਿੱਚ ਤਾਇਨਾਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਇੱਕ ਮਹੱਤਵਪੂਰਣ ਵਿਚਾਰ ਇਹ ਯਕੀਨ ਦਿਵਾਉਣਾ ਹੈ ਕਿ ਮਾਡਲਾਂ ਸਹੀ ਹਨ ਅਤੇ ਮਰੀਜ਼ਾਂ ਦੇ ਸਮੂਹ ਅਤੇ ਆਬਾਦੀ ਦੇ ਬਰਾਬਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ. ਮੈਸੇਚਿਉਸੇਟਸ ਇੰਸਟੀਚਿ of ਟ ਆਫ ਟੈਕਨੋਲੋਜੀ (ਐਮਆਈਟੀ) ਦੇ ਖੋਜਕਰਤਾਵਾਂ ਦੀ ਇਕ ਟੀਮ ਨੂੰ 3,000 ਮਾਡਲਾਂ, ਐਲਗੋਰਿਦਮ ਅਤੇ ਕਲੀਨਿਕਲ ਕੰਮਾਂ ਦੀ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਮੈਡੀਕਲ ਇਮੇਜਿੰਗ ਦੀ ਇਕ ਟੀਮ ਨੇ 3,000 ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ. ਇਨ੍ਹਾਂ ਮਾਡਲਾਂ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਬਿਆਸ ਬਾਰੇ ਬਿਆਸ ਬਾਰੇ ਬਿਆਸ ਬਾਰੇ ਵਿਭਿੰਨ ਸੈਟਿੰਗਾਂ ਵਿੱਚ ਮਾਡਲਾਂ ਦੀ ਤਾਇਨਾਤੀ ਬਾਰੇ ਬਿਆਸ ਬਾਰੇ ਕੁਝ ਪਿਛਲੇ ਖੋਜਾਂ ਨੂੰ ਹੋਰ ਮਜ਼ਬੂਤ ਕੀਤਾ ਗਿਆ.
ਇੱਥੇ ਕੁਝ ਪ੍ਰਮੁੱਖ ਟਾਈਟੇਵੇਅ ਹਨ ਅਧਿਐਨਹਾਲ ਹੀ ਵਿੱਚ ਪ੍ਰਕਾਸ਼ਤ ਕੁਦਰਤ ਦੀ ਦਵਾਈ.
ਏਆਈ ਇਸ ਜਾਣਕਾਰੀ ਦੇ ਦਿੱਤੇ ਬਿਨਾਂ ਮੈਡੀਕਲ ਤਸਵੀਰਾਂ ਤੋਂ ਜਨਸੰਖਿਆ ਸੰਬੰਧੀ ਕਾਰਕ ਨਿਰਧਾਰਤ ਕਰ ਸਕਦੇ ਹਨ.
ਪਿਛਲੇ ਕੰਮ ਨੇ ਦਿਖਾਇਆ ਹੈ ਕਿ ਏਆਈ ਸਵੈ-ਰਿਪੋਰਟਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ ਦੌੜ, ਲਿੰਗ ਅਤੇ ਉਮਰ ਛਾਤੀ ਦੇ ਐਕਸ-ਰੇ ਚਿੱਤਰਾਂ ਤੋਂ. ਇਨ੍ਹਾਂ ਪਿਛਲੀਆਂ ਖੋਜਾਂ ਨੂੰ ਅੰਡਰਸਕਾਈਜ਼ ਕਰਨ ਤੋਂ ਇਲਾਵਾ, ਮੌਜੂਦਾ ਕੰਮ ਨੇ ਇਸ ਗੱਲ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਕਿ ਏਆਈ ਨੇ ਓਫਥੈਲੀਮੋਲੋਜੀ ਚਿੱਤਰਾਂ ਤੋਂ ਸੈਕਸ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹਾਂ ਅਤੇ ਉਦਾਹਰਣ ਵਜੋਂ, ਏਆਈ ਉਮਰ ਅਤੇ ਲਿੰਗ ਨੂੰ ਚਮੜੀ ਦੇ ਚਿੱਤਰਾਂ ਤੋਂ ਅੰਦਾਜਾ ਕਰ ਸਕਦਾ ਹੈ, ਕਈ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਮੈਡੀਕਲ ਇਮੇਜਿੰਗ ਮੋਡਾਲਿਟੀਜ਼ ਵਿੱਚ ਸੰਭਾਵਤ ਤੌਰ ਤੇ ਵਿਆਪਕ ਮੁੱਦੇ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ.
ਇਹ ਮਾਮਲਾ ਕਿਉਂ ਹੈ? ਜੇ ਏਆਈ ਜਨਸੰਖਿਆ ਦੇ ਕਾਰਕਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ, ਤਾਂ ਇਹ ਇਸ ਜਾਣਕਾਰੀ ਦੀ ਵਰਤੋਂ ਆਪਣੇ ਫੈਸਲਿਆਂ ਨੂੰ ਸੂਚਿਤ ਕਰਨ ਲਈ ਕਰ ਸਕਦਾ ਹੈ. ਇਸ ਨੂੰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ “ਵਿਰਾਸਤਵਾਦੀ ਸ਼ੌਰਟਕਟ,” ਜਿਥੇ ਏਆਈ ਦੀ ਪ੍ਰੋਟੈਕਟਡ ਗੁਣਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਨਸਲ ਜਾਂ ਬੀਮਾ ਸਥਿਤੀ ਨੂੰ ਡਾਕਟਰੀ ਚਿੱਤਰਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਅਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ. ਇਸ ਤਰੀਕੇ ਨਾਲ, ਇੱਕ ਮਾਡਲ ਬਿਨਾਂ ਕਿਸੇ ਕਲੀਨਿਕਲ ਅਧਾਰ ਦੇ ਜਨਸੰਖਿਆ ਵਿਸ਼ੇਸ਼ਤਾ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ, ਨਤੀਜੇ ਵਜੋਂ ਇੱਕ ਮਾਡਲ ਜਿਸ ਨਾਲ ਲੋਕਾਂ ਦੇ ਉਪ ਸਮੂਹਾਂ ਵਿੱਚ ਪ੍ਰਦਰਸ਼ਨ ਘੱਟ ਗਿਆ ਹੈ, ਉਸਨੇ ਸਿਹਤ ਦੇਖਭਾਲ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਮੌਜੂਦਾ ਅਸਮਾਨਤਾਵਾਂ ਵਿੱਚ ਕਮੀ ਕੀਤੀ ਹੈ.
ਬੱਸ ਕਿਉਂਕਿ ਇੱਕ ਮਾਡਲ ਦਾ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ ਇਸਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੁੰਦਾ ਕਿ ਮਾਡਲ ਨਿਰਪੱਖ ਹੈ.
ਮਾਡਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਸਾਨੂੰ ਦੱਸਦੀ ਹੈ ਕਿ ਮਾਡਲ average ਸਤਨ ਇੱਕ ਸਥਿਤੀ ਜਾਂ ਨਤੀਜੇ ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕਿਵੇਂ ਕਰ ਸਕਦਾ ਹੈ. ਮਾਡਲ ਨਿਰਪੱਖਤਾ ਦੱਸਦੀ ਹੈ ਕਿ ਇੱਕ ਮਾਡਲ ਮਰੀਜ਼ਾਂ ਦੇ ਵੱਖ ਵੱਖ ਸਮੂਹ ਸਮੂਹਾਂ ਵਿੱਚ ਕਿਵੇਂ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ.
ਉਦਾਹਰਣ ਦੇ ਲਈ, ਇੱਕ moder ਸਤਨ ਇੱਕ ਛਾਤੀ ਐਕਸ-ਰੇ ਤੋਂ ਆਉਣ ਵਾਲੀ ਮੌਤ ਦਰਸਾਈ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ ਹੋ ਸਕਦਾ ਹੈ. ਪਰ ਸ਼ਾਇਦ ਕਿ ਮਾਡਲ ਦੀ ਭਵਿੱਖਬਾਣੀ ਮੌਤ ਤੇ ਘੱਟ ਸਹੀ ਹੋ ਸਕਦਾ ਹੈ ਜਦੋਂ ਇਸ ਨੂੰ ਇਕ ਬਜ਼ੁਰਗਾਂ ਨਾਲ ਤੁਲਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ.
“ਮਾਡਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਮਾਡਲ ਨਿਰਪੱਖਤਾ ਦਾ ਆਪਣੇ ਆਪ ਅਨੁਵਾਦ ਨਹੀਂ ਕੀਤੀ ਗਈ, ਜਿਸ ਵਿਚ ਅਧਿਐਨ ਕਰਨ ਵਾਲੇ ਅਧਿਐਨ ਲੇਖਕ ਨੇ ਰੇਡੀਓਲੌਦਾ ਵਿਗਿਆਨ ਵਿਭਾਗ ਅਤੇ ਐਕਸਰੋਡ ਯੂਨੀਵਰਸਿਟੀ ਸਕੂਲ ਆਫ਼ ਮੈਡੀਸਨ ਵਿਖੇ ਇਕ ਸਹਿਯੋਗੀ ਪ੍ਰੋਫੈਸਰ ਦੱਸਿਆ. “ਜਦੋਂ ਕਿ ਐਲਗੋਰਿਦਮ ਪ੍ਰਮਾਣਿਕਤਾ ਲਈ ਉੱਚ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਜ਼ਰੂਰਤ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਨਿਰਪੱਖਤਾ ਦਾ ਸਪੱਸ਼ਟ ਤੌਰ ‘ਤੇ ਸਪੱਸ਼ਟ ਤੌਰ’ ਤੇ ਮੁਲਾਂਕਣ ਨਹੀਂ ਹੁੰਦਾ.”
ਜੇ ਇੱਕ ਮਾਡਲ ਜਨਸੰਖਿਆ ਦੇ ਅਨੁਮਾਨ ਲਗਾਉਣ ਵਿੱਚ ਚੰਗਾ ਹੈ, ਤਾਂ ਇਹ ਨਿਰਪੱਖ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਘੱਟ ਹੈ.
ਹਾਲਾਂਕਿ ਇਹ ਪਹਿਲਾਂ ਜਾਣਿਆ ਜਾਂਦਾ ਸੀ ਕਿ ਏਆਈ ਆਮੰਡਿਕ ਕਾਰਕਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਉਹ ਇਲਾਜ ਕਰਨ ਵਾਲੇ ਸ਼ੌਰਟਕਟ ਨੇ ਪੱਖਪਾਤੀ ਮਾਡਲਾਂ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦੇ ਹੋ, ਖੋਜਕਰਤਾ ਇਨ੍ਹਾਂ ਰਿਸ਼ਤਿਆਂ ‘ਤੇ ਡੂੰਘੀ ਨਜ਼ਰ ਮਾਰਨਾ ਚਾਹੁੰਦੇ ਸਨ. ਉਨ੍ਹਾਂ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਕਿ ਇਹ ਮਾਤਰਾ ਇੱਕ ਮਾਡਲ ਕਿੰਨੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਦਰਸਾ ਸਕਦਾ ਹੈ ਜਿਸਨੂੰ ਅਵੰਸ਼ਿੰਗ ਦੀ ਡਿਗਰੀ ਦੇ ਤੌਰ ਤੇ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ. ਫਿਰ ਉਨ੍ਹਾਂ ਨੇ ਉਸ ਉਪ ਸਮੂਹ ਵਿੱਚ ਵੱਖ ਵੱਖ ਮਰੀਜ਼ਾਂ ਵਿੱਚ ਮਾਡਲ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ.
ਜੋ ਉਨ੍ਹਾਂ ਨੂੰ ਪਾਇਆ ਗਿਆ ਇਹ ਸੀ: ਮਜ਼ਬੂਤ ਇੱਕ ਜਨਸੰਖਿਆ ਦੇ ਕਾਰਕ ਦਾ ਏਨਕੋਡਿੰਗ, ਮਾੜਾ ਮਾਡਲ “ਨਿਰਪੱਖ” ਬਣ ਗਿਆ ਜਦੋਂ ਇਸ ਕਾਰਕ ਦੇ ਸੰਬੰਧ ਵਿੱਚ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਸਨ. ਉਦਾਹਰਣ ਦੇ ਲਈ, ਜਦੋਂ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਰੇਡੀਓਲੌਜੀ ਡੇਟਾ ਦੇ ਉਪਸੈੱਟ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ, ਤਾਂ ਉਨ੍ਹਾਂ ਨੇ ਪਾਇਆ ਕਿ ਮਾੱਡਲ ਮਰੀਜ਼ ਦੀ ਉਮਰ ਨੂੰ ਸਹੀ ਤਰ੍ਹਾਂ ਅੰਦਾਜ਼ਾ ਕਰ ਸਕਦੇ ਹਨ, ਭਾਵ ਕਿ ਉਮਰ ਜ਼ੋਰਦਾਰ ਇੰਕੋਡ ਕੀਤੀ ਗਈ ਸੀ. ਹੋਰ ਕੀ ਹੈ, ਇਹ ਮਾੱਡਲ ਵੱਖੋ ਵੱਖਰੇ ਉਮਰ ਸਮੂਹਾਂ ਵਿੱਚ ਬਰਾਬਰ ਰੂਪ ਵਿੱਚ ਨਹੀਂ ਕੀਤੇ ਗਏ – ਅਸਲ ਵਿੱਚ, ਉਨ੍ਹਾਂ ਦੇ 18-400 ਸਾਲ ਦੀ ਉਮਰ (18-40 ਸਾਲ ਦੀ ਉਮਰ) ਦੇ ਵਿਚਕਾਰ 30% ਨਿਰਪੱਖਤਾ ਦਾ ਪਾੜਾ ਸੀ.
ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਉਮਰ, ਜਾਤ, ਸੈਕਸ ਅਤੇ ਰੇਡੀਓ ਦੇ ਮਾਡਲਾਂ ਵਿੱਚ ਲਾਂਘੇ ਦੇ ਲਾਂਘੇ ਦੀ ਡਿਗਰੀ ਅਤੇ ਸੈਕਸ ਦੇ ਲਾਂਘੇ ਦੀ ਡਿਗਰੀ ਦੀ ਸਥਿਤੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ, ਉਹ ਪਤਾ ਲਗਾਉਣਾ ਕਿ ਛਾਤੀ ਦੀਆਂ ਐਕਸ-ਰੇਅ ਤੋਂ ਵੱਖੋ ਵੱਖਰੇ ਨਿਸ਼ਚਤ ਤੌਰ ਤੇ ਇਨ੍ਹਾਂ ਗੁਣਾਂ ਤੋਂ ਬਾਅਦ ਦੀਆਂ ਡਿਗਰੀਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦੀਆਂ ਹਨ. ਉਨ੍ਹਾਂ ਨੇ ਉਮਰ ਦੇ ਐਨਕੋਡਿੰਗ ਅਤੇ ਡਰਮੇਟੋਲਮੀਓ ਵਿਗਿਆਨ ਮਾਡਲਾਂ ਵਿੱਚ ਸੈਕਸ ਦੀ ਡਿਗਰੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ, ਦੁਬਾਰਾ ਪਤਾ ਲਗਾਇਆ ਕਿ ਮਾੱਡਲ ਨੂੰ ਮੈਡੀਕਲ ਚਿੱਤਰਾਂ ਤੋਂ ਇਨ੍ਹਾਂ ਜਨਸੰਖਿਆ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ.
ਰੇਡੀਓਲਾਇਜ਼ ਮਾੱਡਲਾਂ ‘ਤੇ ਕੇਂਦ੍ਰਤ ਕਰਦਿਆਂ, ਜਿਨ੍ਹਾਂ ਦਾ ਸਭ ਤੋਂ ਵੱਧ ਉਪਲਬਧ ਡੇਟਾ ਸੀ, ਇਸ ਦੇ ਬਹੁਤ ਸਾਰੇ ਰੁਝਾਨ ਨੂੰ ਮੰਨਿਆ – ਇਕ ਨਵਾਂ ਨਮੂਨਾ ਮੰਨਦਾ ਸੀ – ਉਦਾਹਰਣ ਵਜੋਂ).
“ਸਾਡੀਆਂ ਖੋਜਾਂ ਬਹੁਤ ਹੀ ਇਕਸਾਰ ਸਨ: ਵਧੇਰੇ ਜ਼ੋਰਦਾਰ ਗੁਣਾਂ ਨੂੰ ਏਨਕੋਡ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਵੱਡਾ ਪਹਿਨੀ ਦਾ ਪਾੜਾ ਮਿਟ ਵਿਖੇ ਉਸ ਦੇ ਡਾਕਕੁਨ ਕੰਮ ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਇਸ ਖੋਜ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ. “ਇਹ ਸੰਬੰਧ ਹਰ ਮਾਡਲ ਦੇ ਪਾਰ ਨੇ ਕੀਤਾ ਸੀ, ਜੋ ਕਿ ਅਸੀਂ ਮੁਲਾਂਕਣ ਕੀਤਾ, ਉਹ ਏਆਈ ਮਾਧਕਾਂ ਨੂੰ ਹੋਰ ਮਜਬੂਤ ਕਰ ਰਹੇ ਹਨ ਜੋ ਉਨ੍ਹਾਂ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਬਣਾਉਣ ਲਈ ਬਾਠਵਾਦੀ ਸ਼ਾਰਟਕੱਟਾਂ ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ ਕਿ ਵੱਡੀਆਂ ਨਿਰਪੱਖ ਅਸਮਾਨਤਾਵਾਂ ਹਨ.”
ਮਾੱਡਲਾਂ ਨੂੰ ਨਿਰਪੱਖਤਾ-ਤੋਂ ਬਿਹਤਰਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਲਈ ਪਿੱਛੇ ਹਟਾਇਆ ਜਾ ਸਕਦਾ ਹੈ.
ਮਾਡਲ ਨਿਰਪੱਖਤਾ ਨੂੰ ਸੁਧਾਰਨ ਲਈ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਉਨ੍ਹਾਂ ਦੇ ਮਾਡਲਾਂ ਲਈ ਕੁਝ ਵੱਖ-ਵੱਖ methods ੰਗਾਂ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਜਿਸ ਨਾਲ ਡੇਟਾਸੇਟ ਦਾ ਸੁਧਾਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ (ਤਾਂ ਜੋ ਡੇਟਾ ਨੂੰ ਮਰੀਜ਼ਾਂ ਦੀ ਆਬਾਦੀ ਦਾ ਵਧੇਰੇ ਪ੍ਰਤੀਬਿੰਬ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ). ਉਨ੍ਹਾਂ ਨੇ ਪਾਇਆ ਕਿ ਇਹ ਤਕਨੀਕਾਂ ਮਾਡਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਮਹੱਤਵਪੂਰਣ ਬਲੀਦਾਨ ਦੇਣ ਤੋਂ ਬਿਨਾਂ ਮਾਡਲ ਨਿਰਪੱਖਤਾ ਨੂੰ ਸੁਧਾਰਨਾ ਕਰ ਸਕਦੀਆਂ ਹਨ.
ਹਾਲਾਂਕਿ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਪਾਇਆ ਕਿ ਇਕੱਲੇ ਨਿਰਪੱਖਤਾ ਲਈ ਅਨੁਕੂਲ ਬਣਾਉਣਾ ਕਈ ਵਾਰ ਦੂਜੇ ਮਾਡਲ ਮੈਟ੍ਰਿਕਸ, ਜਿਵੇਂ ਕਿ ਮਾਡਲ ਸ਼ੁੱਧਤਾ ਜਾਂ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰ ਸਕਦਾ ਹੈ, ਤਾਂ ਦੂਜੇ ਕਾਰਕਾਂ ਨਾਲ ਮਾਡਲ ਨਿਰਪੱਖਤਾ ਨੂੰ ਪੂਰਾ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਨੂੰ ਉਜਾਗਰ ਕਰ ਸਕਦਾ ਹੈ.
ਗੀਕੋਯਾ ਸਮਝਾਇਆ. “ਇੱਥੇ ਹਮੇਸ਼ਾਂ ਮਾਡਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਅਤੇ ਮਾਡਲ ਨਿਰਪੱਖਤਾ ਦੇ ਵਿਚਕਾਰ ਤਣਾਅ ਹੁੰਦਾ ਹੈ. ਨਿਰਪੱਖਤਾ ਲਈ ਅੰਨ੍ਹੇਵਾਹ ਅਨੁਕੂਲਤਾ ਅਖੀਰ ਵਿਚ ਮਾਡਲ ਦੀ ਸਹੂਲਤ ਵਿਚ ਰੁਕਾਵਟ ਪਾ ਸਕਦੀ ਹੈ, ਇਸ ਨੂੰ ਘੱਟ ਭਰੋਸੇਯੋਗ ਪੇਸ਼ ਕਰਦੇ ਸਮੇਂ ਇਸ ਨੂੰ ਘੱਟ ਭਰੋਸੇਯੋਗ ਕਰਦੇ ਸਮੇਂ ਪੇਸ਼ ਕਰੋ. “
ਨਿਰਪੱਖ ਮਾਡਲ ਇਕ ਜਗ੍ਹਾ ‘ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਕਰਨ ਵੇਲੇ ਨਿਰਲੇਪ ਨਹੀਂ ਹੋ ਸਕਦੇ.
ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਪਾਇਆ ਕਿ ਨਿਰਪੱਖਤਾ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਦੇ ਉਨ੍ਹਾਂ ਦੇ methods ੰਗ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਨ – ਜੇ ਮਾਡਲ ਨੂੰ ਉਸੇ ਸਰੋਤ ਤੋਂ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਂਦਾ ਸੀ ਜਿਸਦੀ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ. ਇਸ ਵਰਤਾਰੇ ਨੂੰ “ਸਥਾਨਕ ਨਿਰਪੱਖਤਾ” ਕਿਹਾ ਜਾਂਦਾ ਹੈ.
ਜਦੋਂ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਇਸ ਸਥਾਨਕ ਤੌਰ ‘ਤੇ ਅਨੁਕੂਲ ਮਾਡਲਾਂ ਨੂੰ ਵੱਖਰੇ ਸਰੋਤ ਤੋਂ ਇੱਕ ਡੇਟਾਸੇਟ ਤੇ ਤਾਇਨਾਤ ਕੀਤਾ, ਤਾਂ ਉਨ੍ਹਾਂ ਕੋਲ ਅਜੇ ਵੀ ਵਧੇਰੇ ਪ੍ਰਦਰਸ਼ਨ ਸੀ. ਹਾਲਾਂਕਿ, ਮਾਡਲਾਂ ਜ਼ਰੂਰੀ ਨਹੀਂ ਕਿ ਸਹੀ. ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਡੇਟਾ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਦੀ ਵੰਡ ਦੇ ਤੌਰ ਤੇ, ਇਹ ਮਾਡਲ ਦੇ ਨਿਰਪੱਖਤਾ ਨੂੰ ਸੰਭਾਵਿਤ ਤੌਰ ਤੇ ਪ੍ਰਭਾਵਤ ਕਰ ਸਕਦਾ ਹੈ.
“ਸਾਡੀ ਅਧਿਐਨ ਨੇ ਪਾਇਆ ਕਿ ਸਥਾਨਕ ਨਿਰਪੱਖਤਾ ਇਕ ਵੱਖਰੀ ਸੈਟਿੰਗ ਵਿਚ ਤਾਇਨਾਤ ਹੋਣ ‘ਤੇ ਅਨੁਵਾਦ ਨਹੀਂ ਕਰਦੇ,” ਯਾਂਗ ਨੇ ਕਿਹਾ. “ਇਹ ਉਨ੍ਹਾਂ ਮਾਡਲਾਂ ਨੂੰ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਜੋ ਇਕ ਹਸਪਤਾਲ ਵਿੱਚ ਨਿਰਪੱਖਤਾ ਲਈ ਤਿਆਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਅਨੁਕੂਲਤਾ ਸਮੇਂ ਦੇ ਨਾਲ ਲਾਗੂ ਹੁੰਦੀਆਂ ਹਨ, ਜਿਵੇਂ ਕਿ ਡੇਟਾ ਡਿਸਟਰੀਬਿ .ਸ਼ਨਜ਼ ਅਤੇ ਅਸਲ-ਵਿਸ਼ਵ ਪ੍ਰਸੰਗਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਇਹ ਸੁਨਿਸ਼ਚਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ.”
ਇਸ ਬਾਰੇ ਵਧੇਰੇ ਜਾਣਨ ਲਈ ਕਿ ਨੀਵਕ ਕਿਵੇਂ ਨੈਤਿਕ ਏਆਈ ਵਿਕਾਸ ਨੇੜੇ ਆ ਰਿਹਾ ਹੈ, ਇਸ ਨੂੰ ਚੈੱਕ ਕਰੋ ਹਾਲੀਆ ਵਰਕਸ਼ਾਪ ਡੈਟਾ ਸਾਇੰਸ ਰਣਨੀਤੀ ਦੇ ਦਫਤਰ ਦੁਆਰਾ ਮੇਜ਼ਬਾਨੀ ਕੀਤੀ ਗਈ.
ਗਿਚੋਆ ਪਹਿਲਾਂ ਇੱਕ ਸੀ Nibeb ਡਾਟਾ ਅਤੇ ਤਕਨਾਲੋਜੀ ਦੀ ਤਰੱਕੀ (ਡੇਟਾ) ਰਾਸ਼ਟਰੀ ਸੇਵਾ ਸਕਾਲਰ. ਉਸ ਨੂੰ ਹੁਣ ਦੁਆਰਾ ਫੰਡ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਮੈਡੀਕਲ ਇਮੇਜਿੰਗ ਅਤੇ ਡਾਟਾ ਰਿਸੋਰਸ ਸੈਂਟਰ (ਮਿਡਰਸੀ)ਜਿਸ ਨੇ ਇਸ ਅਧਿਐਨ ਦਾ ਪ੍ਰਬੰਧਨ ਕੀਤਾ ਹੈ 75n920C0000 8 ਅਤੇ 75n920C00021 ਦੁਆਰਾ. ਇਸਦੇ ਬੀਆਈਐਸ ਵਰਕਿੰਗ ਗਰੁੱਪ ਦੁਆਰਾ, ਮਿਡਕ ਮੈਡੀਕਲ ਪ੍ਰਤੀਬਿੰਬ ਦੇ ਮਾੱਡਲਾਂ ਵਿੱਚ ਪੱਖਪਾਤ ਦੇ ਵਿਕਾਸ ਦੇ ਦੌਰਾਨ ਮੁਲਾਂਕਣ ਕਰ ਰਿਹਾ ਹੈ ਅਤੇ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਮਾਡਲਾਂ ਵਿੱਚ ਪੱਖਪਾਤ ਨੂੰ ਘਟਾਉਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਨ ਲਈ ਵੱਖ ਵੱਖ ਉਪਕਰਣਾਂ ਨੂੰ ਬਣਾਇਆ ਹੈ. ਰਾਸ਼ਟਰੀ ਦਿਲ, ਫੇਫੜੇ ਅਤੇ ਬਲੱਡ ਇੰਸਟੀਚਿ .ਟ (ਐਨਐਚਐਲਬੀ) ਨੇ ਵੀ ਇਸ ਅਧਿਐਨ (R01HL1678111111) ਦਾ ਸਮਰਥਨ ਕੀਤਾ.
ਅਧਿਐਨ ਹਵਾਲਾ: ਯਾਂਗ, ਵਾਈ., ਝਾਂਗ, ਐਚ., ਗਿਚੋਆ, ਜੇਡਬਲਯੂ ਐਟ ਅਲ. ਅਸਲ-ਸੰਸਾਰ ਦੀ ਜੋਰਿਕਤਾ ਵਿੱਚ ਨਿਰਪੱਖ ਮੈਡੀਕਲ ਇਮੇਜਿੰਗ ਦੀ ਸੀਮਾ ਸੀਮਾਵਾਂ. ਰਾਤ ਨਾਲ (2024) https://tpei.org/10.1024-031111021-024-4-03113-4-024-40031114-024-4003113-4