Профессор Стэнфордского университета Аншул Кундаже (Anshul Kundaje) заявил, что применение теоремы Байеса может повысить точность сканирующих алгоритмов, работающих на основе искусственного интеллекта, за счёт учёта априорных вероятностей. Одновременно с этим в аналитическом материале отмечается, что расхождения в демографических данных пациентов остаются ключевой причиной ошибок диагностики.
Аншул Кундаже, доцент кафедры генетики и информатики Стэнфордского университета, опубликовал тезисы о возможностях снижения доли ложноположительных результатов в медицинских ИИ-системах. По его словам, классическая теорема Байеса позволяет корректировать выводы алгоритмов с учётом статистической вероятности заболеваний в разных популяциях. «Байесовский подход даёт возможность интегрировать контекстные данные, которые часто игнорируются в стандартных моделях машинного обучения», — отметил Кундаже.
В то же время независимый анализ, на который ссылаются участники дискуссии, указывает на то, что различия в демографических характеристиках пациентов — возрасте, поле, этнической принадлежности — остаются основным источником систематических ошибок. Авторы анализа подчёркивают, что большинство обучающих наборов данных для медицинских ИИ-систем составлены преимущественно на основе выборок из стран с высоким уровнем дохода, что снижает их применимость в других регионах.
Проблема ложноположительных результатов особенно актуальна для систем ранней диагностики онкологических заболеваний, где высокая чувствительность алгоритмов часто приводит к избыточным назначениям дополнительных обследований. Кундаже предлагает внедрять байесовские методы на этапе постобработки результатов сканирования, чтобы адаптировать выводы моделей к локальным эпидемиологическим данным.
Ранее в этом году Стэнфордская группа Кундаже опубликовала препринт исследования, где байесовская коррекция позволила снизить долю ложноположительных результатов на 15% без потери чувствительности алгоритма. Материал доступен в репозитории bioRxiv.