大多数医学上用于建立诊断的方法,尤其是但不是唯一的方法,都属于贝叶斯方法。例如,如果一个人发烧,那是流感的概率是多少?如果一个人的血糖测量值很高,那么他患糖尿病的可能性有多大?为了说明贝叶斯陷阱,让我们举一个简单的例子——验孕棒。这是一个简单的测试;它可以是正的,也可以是负的。让我们想象一下,我们使用一个经典的测试,它有99%的灵敏度和95%的特异性。如果对100个人进行100次测试,5次结果为阳性,问题是,知道其中有多少人是孕妇。这个问题被定义为确定阳性测试的阳性预测值,它给出了阳性测试真正表明测试所测试的因素存在的概率。要回答这个问题,我们需要知道被测试人群中怀孕的先验概率。 To understand this, imagine that 100% men were tested; in this case, none of the 5 positive tests would correspond to a pregnant woman. Similarly, if all persons tested are pregnant woman, then all 5 positive tests would correspond to pregnant women. If the prior probability is around 1%, then applying the Bayesian rules returns that the probability to be pregnant when a test is reported positive is about 17%. This means that about 4 of 5 tests are false positive. At the other end, if the prior probability is around 20% (ie, a woman with several factors suggesting a potential pregnancy), the probability of a positive test to be a true positive is above 80%. Thus, less than one test out of five is a false-positive. The example shows the major consequences of the prior probability in Bayesian situations.
在科学领域,信任与建立证据密切相关。信任不仅在科学界,而且在整个科学界,对于建立采纳、政治支持和公众接受都很重要。2019年夏天,皮尤研究中心(Pew Research Center)发布的一项调查显示,公众中出现了一种积极的趋势:科学是为善的,但也有对诚信、透明度和偏见的担忧。总体而言,86%的美国人表示他们至少对科学家有“相当程度”的信心[
40]。其中一个挑战是科学的可靠性经常与可信度相混淆[
41]。科学证据可能非常有力,例如免疫接种或基于网络的健康信息,但信任度可能低得多[
42,
43]。在建立对科学的信任方面,人们讨论了很多方面,但它们可以概括为三个概念,一个是针对科学家和组织的,一个是针对研究对象的,一个是针对研究过程的。诚信是第一也是最重要的,包括科学诚信、资金、利益冲突等。透明度必须体现在动机、结果和过程上。最后,用于处理过程的方法必须是强大和健壮的。建立证据需要考虑许多方面,如偏见、普遍性、可重复性和可解释性。在大数据和人工智能方面,有些挑战更加困难。数据采集和流的适当控制通常比传统的对照研究更困难。结果是数据具有特定的属性,这些属性并不总是得到很好的管理,例如选择偏差。有时,限制使用分析工具的假设没有得到很好的理解,例如许多统计检验的均方差。 In addition, deep machine learning is facing the challenges of precise reproducibility and explainability. The latter is currently the object of numerous works, trying to understand intermediate representation of data in neural networks that can predict and explain their behavior. Explainability and interpretability are often used interchangeably. Interpretability is the extent to which it is possible to predict how the system will behave, given a change in input or algorithmic parameters. On the other hand, explainability is the extent to which the internal mechanics of the deep learning system can be understood and thus explained. Molnar [
44]在GitHub上发布了一个非常好的问题概述。然而,可解释性可能不是提高全球对深度机器学习方法信任的最佳途径,尤其是在解释本身难以解释的情况下。其他一些方面,如透明度、可重复性或不确定性资格可能更有效[
45]。例如,在
科学2018年,赫特森[
46]报告了一项对在主要会议上发表的400篇人工智能论文的调查,其中只有6%的论文包含算法代码和30%的测试数据,因此大大限制了可重复性的可能性[
46]。
Bringsjord
年代
Govindarajulu
N
Olazaran
米
感知器争议官方历史的社会学研究
鲁格尔手枪
G
库兹韦尔
R
贾尔斯
米
高层
人工智能专家组(欧盟)
高戴克
P
Pancur
米
Ilenic
N
Copar
一个
箍ž基于“增大化现实”技术
米
Erjavec
一个
Pretnar
一个
民主党š基于“增大化现实”技术
J
Staric
一个
Toplak
米
Ž琼脂
l
哈特曼
J
王
H
Bellazzi
R
佩特
U
Garagna
年代
祖科蒂
米
公园
D
Shaulsky
G
祖潘
B
通过集成深度模型和小规模机器学习,通过可视化编程实现图像分析的民主化
西班牙
l
瓦格纳
SK
傅
DJ
刘
X
Korot
E
Ledsam
小
回来
T
乔普拉
R
Pontikos
N
克恩
C
莫拉
G
施密德
可
Sim卡
D
Balaskas
K
巴赫曼
LM
丹尼斯顿
正义与发展党
基恩
巴勒斯坦权力机构
由没有编码经验的医疗保健专业人员进行医学图像分类的自动深度学习设计:可行性研究
Carli
D
Fahrni
G
Bonnabry
P
洛维斯
C
计算机化供应商订单输入中的决策支持质量:系统文献综述
荣格
米
Hoerbst
一个
Hackl
我们
Kirrane
F
Borbolla
D
雅斯贝尔斯这样
兆瓦
呃逆
米
Koutkias
V
雪貂
l
了起来
P
劳顿
K
Riedmann
D
Darmoni
年代
Maglaveras
N
洛维斯
C
Ammenwerth
E
医生对计算机化医嘱输入系统自动报警的态度
诺伊曼
PJ
桑德斯
GD
成本效益分析2.0
桑德斯
GD
诺伊曼
PJ
巴苏
一个
布鲁克
DW
芬尼
D
Krahn
米
王桂萍
公里
Meltzer
做
欧文斯
DK
普罗塞
拉
所罗门
晶澳
Sculpher
乔丹
Trikalinos
助教
罗素
磅
西格尔
我
Ganiats
TG
关于行为、方法实践和成本效益分析报告的建议
默克德
啊
Ballestros
K
Echko
米
格伦
年代
奥尔森
他
·穆兰尼
E
李
一个
汗
基于“增大化现实”技术
艾哈迈迪
一个
法拉利
AJ
Kasaeian
一个
Werdecker
一个
卡特
一个
Zipkin
B
缝匠肌
B
Serdar
B
赛克斯
提单
Troeger
C
Fitzmaurice
C
雷姆曾为此写过
CD
Santomauro
D
金
D
Colombara
D
施韦贝尔
直流
Tsoi
D
Kolte
D
Nsoesie
E
尼克尔斯
E
奥伦
E
Charlson
FJ
巴顿
GC
罗斯
遗传算法
Hosgood
高清
Whiteford
哈
级
H
厄斯金
他
黄
H
Martopullo
我
辛格
晶澳
Nachega
简森-巴顿
Sanabria
小
阿巴斯
K
昂
K
Tabb
K
Krohn
KJ
Cornaby
l
Degenhardt
l
摩西
米
Farvid
米
格里斯沃尔德
米
Criqui
米
贝尔
米
阮
米
瓦林
米
Mirarefin
米
Qorbani
米
尤尼斯
米
Fullman
N
刘
P
b
P
贡纳
P
Havmoller
R
梁
R
Kimokoti
R
Bazargan-Hejazi
年代
干草
如果
Yadgir
年代
科夫
年代
Vollset
SE
阿拉姆
T
弗兰克
T
法
T
米勒
T
Vos
T
Barnighausen
T
Gebrehiwot
TT
矢野
Y
Al-Aly
Z
Mehari
一个
韩铎认为
一个
坎德尔
一个
安德森
B
Biroscak
B
莫札法里恩
D
多西
呃
丁
埃尔
公园
E
瓦格纳
G
胡
G
陈
H
阳光
我
Khubchandani
J
皮带
J
梁
J
所罗门
J
Unutzer
J
卡希尔
l
库珀
l
Horino
米
布劳尔
米
监督下
N
霍特兹
P
Topor-Madry
R
Soneji
年代
奇怪的
年代
詹姆斯
年代
Amrock
年代
Jayaraman
年代
帕特尔
T
Akinyemiju
T
Skirbekk
V
Kinfu
Y
Bhutta
Z
乔纳斯
简森-巴顿
穆雷
CJL
美国健康状况,1990-2016
艾伦
B
FDA在确保人工智能软件和设备的安全性和有效性中的作用
帕瑞克豪
RB
欧博迈亚
Z
Navathe
作为
医学预测分析的规范
陈
KS
Zary
N
人工智能在医学教育中的应用与挑战:综合综述
大师
K
医学教育中的人工智能
Wartman
SA
库姆斯
CD
人工智能时代医学教育的重塑
Lillehaug
如果
Lajoie
SP
医学教育中的人工智能——医学信息学的另一个重大挑战
Kolachalama
VB
Garg
PS
机器学习和医学教育
Stausberg
J
鲍尔
U
Nasseh
D
Pritzkuleit
R
施密特
C
施克拉德
T
Nonnemacher
米
数据质量指标:网络化医学研究视角下的回顾与要求
Weiskopf
NG
翁
C
电子健康记录数据质量评估的方法和维度:实现临床研究的重用
维纳
毫克
临床数据的再利用与质量改进:起点的终结?
Sandhu
E
温斯坦
年代
McKethan
一个
耆那教徒的
上海
电子健康记录数据的二次使用:益处和障碍
赫斯
W
通过将数据用于质量保证、研究和监督,为电子健康记录增加价值
姜
B
周
D
太阳
Y
王
J
肺癌多探测器计算机断层扫描测量变异性的系统分析
Bellomi
米
德钢琴
F
安科纳
E
踢球的
房颤
Curigliano
G
Raimondi
年代
Preda
l
根据RECIST 1.1评价观察者间变异及其对肝转移CT测量反应分级的影响
尹
上海
金
千瓦
咕
JM
金
D
哈恩
年代
基于recist的肿瘤负荷测量的观察者可变性:一项荟萃分析
西摩
l
博尔加特
J
Perrone
一个
福特
R
施瓦兹
韩
Mandrekar
年代
林
ν
Litiere
年代
丹西
J
陈
一个
Hodi
FS
Therasse
P
霍克斯特拉
操作系统
Shankar
路
吴克
JD
博林格
米
Caramella
C
德弗里斯
针对
RECIST工作组
用于免疫治疗试验的反应标准指南
Skevofilakas
米
Zarkogianni
K
Karamanos
B
尼基塔
K
1型糖尿病视网膜病变长期并发症风险评估的混合决策支持系统
Hoehndorf
R
Queralt-Rosinach
N
数据科学和符号人工智能:协同效应、挑战和机遇
艾哈迈德
R
Omidian
Z
Giwa
一个
康威尔
B
Majety
N
贝尔
博士
李
年代
张
H
米歇尔
一个
奥,
年代
Sadegh-Nasseri
年代
拉布
H
Gritsch
年代
苏瓦
毫升
Cahan
P
周
R
杰
C
唐纳
T
哈马德
ARA
在1型糖尿病患者独特的双受体表达淋巴细胞中存在的公共BCR编码一种有效的T细胞自身抗原
Kerasidou
一个
相信我,我是个研究人员!:The role of trust in biomedical research
拉森
沪江
克拉克
RM
Jarrett
C
Eckersberger
E
莱文
Z
舒尔茨
WS
帕特森
P
衡量疫苗接种的信任:一项系统回顾
Sbaffi
l
罗利
J
基于网络的健康信息的信任与可信度:综述与未来研究议程
Begoli
E
巴塔查里亚
T
Kusnezov
D
机器辅助医疗决策中不确定性量化的必要性
迫降
米
人工智能面临可重复性危机
威尔金森
医学博士
Dumontier
米
Aalbersberg
IJ
阿普尔顿
G
Axton
米
Baak
一个
显得过于
N
Boiten
J
达席尔瓦·桑托斯
磅
伯恩
体育
Bouwman
J
布鲁克斯
AJ
克拉克
T
Crosas
米
Dillo
我
Dumon
O
埃德蒙兹
年代
Evelo
CT
Finkers
R
Gonzalez-Beltran
一个
灰色的
AJ
Groth
P
Goble
C
Grethe
JS
Heringa
J
' t Hoen
彼得A C
Hooft
R
库恩
T
角
R
角
J
酒鬼
SJ
Martone
我
蒙斯
一个
封隔器
艾尔
皮尔森
B
Rocca-Serra
P
鲁斯
米
van Schaik
R
桑松
年代
舒尔特
E
Sengstag
T
斯莱特
T
-
G
Swertz
妈
汤普森
米
范德雷
J
范Mulligen
E
Velterop
J
Waagmeester
一个
Wittenburg
P
Wolstencroft
K
赵
J
蒙斯
B
科学数据管理和管理的公平指导原则
联盟
种种
Leonelli
年代
数据——从对象到资产
马林
B
重新识别家族数据库记录
El伊玛目
K
Jonker
E
阿尔布克尔
l
马林
B
对卫生数据再识别攻击的系统审查
Dankar
颗
El伊玛目
K
Neisa
一个
Roffey
T
评估临床数据集的再识别风险
贝尼特斯
K
马林
B
根据HIPAA隐私规则评估重新识别风险
Barth-Jones
D
州长威廉·维尔德医疗信息的“重新识别”
伊玛目
柯
Dankar
颗
瓦兰蔻
R
Roffey
T
Lysyk
米
评估从医院处方记录中重新识别患者的风险
Kulynych
J
格里利
HT
临床基因组学、大数据和电子病历:当隐私和科学发生冲突时,如何调和患者权利与研究
Mascalzoni
D
天堂
一个
汉森
米
罕见病研究:打破隐私壁垒
Zaaijer
年代
戈登
一个
尔
D
Piccone
R
Groen
年代
Erlich设计
Y
使用便携式DNA测序快速重新鉴定人类样本
Ienca
米
Ferretti)
一个
赫斯特
年代
Puhan
米
洛维斯
C
Vayena
E
大数据健康研究伦理审查的考虑:范围审查
Loukides
G
丹尼
JC
马林
B
诊断代码的披露可能会侵犯研究参与者的隐私
马林
B
贝尼特斯
K
玛萨斯说
D
匿名永远不会过时:通过HIPAA隐私规则共享人口统计数据的统计标准
El伊玛目
K
莫赫
E
在为公共卫生目的收集数据时,隐私和匿名性面临挑战
Thorogood
一个
Zawati
米
基因组生物银行的国际隐私准则(或多元化的意想不到的优点)
奥尼尔
l
德克斯特
F
张
N
发表临床麻醉研究数据对患者隐私的风险
Househ
米
格兰杰
R
彼得森
C
Bamidis
P
Merolli
米
在参与式健康和社交媒体时代,隐私和患者健康信息需求之间的平衡:范围审查
西威尔
R
Foufi
V
Gaudet-Blavignac
C
罗伯特。
一个
洛维斯
C
匿名化和去身份化在生物医学文献中的使用和理解:范围综述
迪克森
P
“不伤害”的失败——印度的Aadhaar生物识别身份计划,以及与欧洲和美国的措施相比,它在保护隐私方面的无能
Rengers
JM
Heyse
l
欧登
年代
Wittek
RPM
“以同样的方式公开或诚实地生活并不总是可能的”——无国界医生组织对男女同性恋人道主义援助工作者的工作场所包容
斯坦格尔
艾尔
劳埃德
JK
布雷迪
LM
荷兰
CE
Baral
年代
2002年至2013年减少艾滋病毒相关污名和歧视干预措施的系统回顾:我们取得了多大进展?
Belisle-Pipon
J
Vayena
E
绿色
钢筋混凝土
科恩
搞笑
基因检测、保险歧视和医学研究:美国可以向其他国家学习什么
Bardey
D
德在
P
头纱
C
基因检测如何影响逆向选择和歧视风险之间的权衡?理论与实验