चिकित्सा एआई में शॉर्टकट लर्निंग सामान्यीकरण में बाधा डालती है: बिना बाहरी डेटा के एआई मॉडल सामान्यीकरण का अनुमान लगाने की विधि

स्वास्थ्य देखभाल डेटा सेट बड़े और अधिक जटिल होते जा रहे हैं, चिकित्सा अनुप्रयोगों के लिए सटीक और सामान्यीकृत एआई मॉडलों के विकास की आवश्यकता है। असंरचित डेटा सेट, जिसमें चिकित्सा इमेजिंग, इलेक्ट्रोकार्डियोग्राम और प्राकृतिक भाषा डेटा शामिल हैं, गहन विवर्तनिक न्यूरल नेटवर्क और बड़े भाषा मॉडलों में प्रगति के साथ ध्यान आकर्षित कर रहे हैं। हालांकि, नए स्वास्थ्य देखभाल सेटिंग्स में इन मॉडलों की सामान्यीकरण क्षमता का अनुमान लगाना बिना बाहरी डेटा पर व्यापक मान्यता के चुनौतीपूर्ण है। 13 डेटा सेट्स के प्रयोगों में, जिसमें एक्स-रे, सीटी, ईसीजी, नैदानिक ​​डिस्चार्ज सारांश और फेफड़ों की ऑसक्यूलेशन डेटा शामिल हैं, हमारे परिणाम दिखाते हैं कि मॉडल प्रदर्शन अक्सर छिपे हुए डेटा अधिग्रहण पूर्वाग्रह (डीएबी) के शॉर्टकट लर्निंग के कारण औसतन 20% तक अधिक आंका जाता है। शॉर्टकट लर्निंग एक ऐसे fenómeno को संदर्भित करता है जिसमें एक एआई मॉडल डेटा में मौजूद भ्रमित सहसंबंधों के आधार पर कार्य हल करना सीखता है न कि कार्य से सीधे संबंधित विशेषताओं के आधार पर। हम एक ओपन-सोर्स, पूर्वाग्रह- सुधारित बाहरी सटीकता अनुमान, P का सुझाव देते हैं.