Medicina, apprendimento automatico elimina risultati distorti

da Redazione
0 commenti 1 minuti leggi

I modelli tradizionali di apprendimento automatico spesso producono risultati distorti, favorendo gruppi con grandi popolazioni o essendo influenzati da fattori sconosciuti. Questi pregiudizi possono avere gravi implicazioni, in particolare nel campo medico.

Implicazioni dei risultati distorti nella medicina

Il personale ospedaliero e i professionisti medici si affidano a dataset contenenti migliaia di cartelle cliniche e complessi algoritmi informatici per prendere decisioni critiche riguardo alla cura del paziente. L’apprendimento automatico viene utilizzato per ordinare i dati, risparmiando tempo. Tuttavia, specifici gruppi di pazienti con rari schemi sintomatici potrebbero non essere rilevati e i pazienti etichettati erroneamente potrebbero influenzare gli esiti diagnostici. Questo pregiudizio intrinseco porta a diagnosi errate e a risultati sanitari iniqui per determinati gruppi di pazienti.

Annunci

Il nuovo modello XAI: Pattern Discovery and Disentanglement (PDD)

Grazie alla nuova ricerca guidata dal Dr. Andrew Wong, professore emerito di ingegneria dei sistemi di progettazione presso Waterloo, un modello innovativo mira a eliminare questi ostacoli. Il modello, chiamato Pattern Discovery and Disentanglement (PDD), mira a disentricare schemi complessi dai dati per collegarli a cause specifiche non influenzate da anomalie. Questo modello può migliorare la fiducia e l’affidabilità nell’Intelligenza Artificiale Spiegabile (XAI).

Impatto del modello PDD

Il modello PDD ha rivoluzionato la scoperta di schemi. Diversi studi di caso hanno dimostrato le capacità del PDD, mostrando la sua abilità nel prevedere i risultati medici dei pazienti basandosi sulle loro cartelle cliniche. Il sistema PDD può anche scoprire nuovi e rari schemi nei dataset, permettendo ai ricercatori e ai professionisti di rilevare etichette errate o anomalie nell’apprendimento automatico.

Il risultato mostra che i professionisti sanitari possono effettuare diagnosi più affidabili supportate da statistiche rigorose e schemi spiegabili per migliori raccomandazioni di trattamento per varie malattie in diverse fasi.

Si può anche come

MatriceDigitale.it – Copyright © 2024, Livio Varriale – Registrazione Tribunale di Napoli n° 60 del 18/11/2021. – P.IVA IT10498911212 Privacy Policy e Cookies

Developed with love by Giuseppe Ferrara