《Médecine du Sommeil》：Clinician’s Guide to Artificial Intelligence: Technical Foundations of Machine Learning
编辑推荐：
人工智能与机器学习在医疗中的应用核心要素，包括模型设计、数据代表性、验证方法及临床决策平衡。
安德鲁·W·施罗德（Andrew W. Schroeder）|扎卡里·陈（Zachary Tran）|凯文·塞克斯顿（Kevin Sexton）|阿诺德·D·萨尔茨伯格（Arnold D. Salzberg）
外科部门，卡里利恩诊所（Carilion Clinic），地址：美国弗吉尼亚州罗阿诺克市贝尔维尤大道1906号（1906 Belleview Avenue, Roanoke, VA 24014, USA）
章节摘录
要点
- •
机器学习涵盖了多种方法，从传统的算法（如决策树、回归分析）到深度神经网络，每种方法都有其优势和适用场景。
- •
了解人工智能（AI）的局限性（例如过拟合和幻觉现象）对于预测错误应用和防止潜在的患者伤害至关重要。
- •
对模型设计、训练以及评估/验证方法进行严格审查，是确保AI模型在医疗保健领域安全泛化的关键。
人工智能与机器学习的基础
虽然支撑机器学习的统计方法已经存在了几个世纪，但近年来人工智能和机器学习的快速发展主要得益于大规模数据集（大数据）的涌现、并行处理硬件（如图形处理单元GPU）的广泛应用，以及机器学习算法技术的进步。
一个函数将输入映射到特定的输出。而输入指的是输入到该函数中的数据或变量。
总结
人工智能已经在影像学、手术和门诊诊疗等多个领域影响着日常决策，因此掌握这些系统的构建、训练和验证方法已成为临床医生的核心能力。通过基于透明性能指标的评估、精心筛选的数据集以及对其工作机制的基本理解，临床医生能够判断何时可以信任算法，何时需要介入干预。机器学习模型提供了强大的
临床注意事项
- •
构建机器学习模型需要输入与输出之间存在相关性，并且有足够的代表性数据用于学习。
- •
了解模型的底层架构和训练数据有助于临床医生预测其优势、局限性和潜在的故障模式。
- •
为评估人类行为而设计的指标在应用于AI时往往不适用，这可能导致错误的判断。
- •
AI模型在投入使用前必须经过严格的外部验证。
