小编发现不少朋友对于 放射学研究人员在结合AI模型时看到了更好的结果 这方面的信息都比较感兴趣，小编就针对 放射学研究人员在结合AI模型时看到了更好的结果 整理了一些相关方面的信息 在这里分享给大家。

根据《放射学：人工智能》上发表的一项新研究，集成学习(将多个AI模型组合为一个单一目的的单个模型)可以带来更好的总体结果。

该研究的作者指出，当研究人员尝试不同的组合时，多样性至关重要。

“当每个单独的模型各自具有良好的性能并且单个模型的预测之间的相关性相对较低时，集成往往会表现最佳，”位于罗德岛普罗维登斯的布朗大学的伊恩·潘和同事们写道。“通过使用多种技术开发多种模型并选择最准确的组合，可以促进实现这种多样性。由于集成体受益于模型预测之间的低相关性，因此，只要它们实现相似的性能，方法上的潜在差异越大，改进也就越大。”

Pan等。探索了2017 RSNA小儿骨龄机器学习挑战赛的数据以进行研究。在该比赛中，共有48个团队提交了模型，以开发儿科手部X射线的骨骼年龄。

单个模型的平均绝对偏差(MAD)为4.55个月，而性能最佳的合奏包括四个不同的模型，并且MAD为3.79个月。结合排名最高的AI模型时，最低MAD为3.93。

“我们的结果引起人们的关注，因为计算机视觉和其他机器学习算法开始从研究转移到临床环境，这一概念具有实质性的实际意义，即最好的结果可能是通过组合多个准确而多样的模型而获得的，而不是作者写道。“因此，旨在将机器学习算法整合到他们的工作流程中的从业者将受益于从不同模型获得的预测，这类似于如何利用多个阅读器来增强放射学解释的准确性。”

研究小组还指出，这些发现强调了研究人员参加公开竞赛(例如2017年RSNA小儿骨龄机器学习挑战赛)的重要性，“因为它们提供了标准化的使用案例，通用的培训集和客观的评估方法，所有型号都一样。”

“这种方法的好处是鼓励开发各种模型，然后着重强调如果组织者选择利用模型的这一方面，则不仅要突出表现最好的模型，而且要突出那些具有最高潜力的模型，这些模型可以组合成高性能的表演集。挑战，”作者写道。

在临床环境中整合学习

在相关的社论中，弗吉尼亚州弗吉尼亚州医疗保健系统的成像主管放射学家Eliot L. Siegel医师指出，Pan等人的研究表明，这项研究的目的是为了解决这一问题。“展示了多个要点和潜在策略，以推动医学成像中人工智能应用的最新技术发展。”

Siegel还指出，结合多种模型的这一概念在临床环境中可能被证明是有效的。例如，如果医疗保健提供者可以使用多种AI模型来识别颅内出血，那么他们就可以努力开发自己的集成，“这些集成可能会超过任何单个商业或研究算法的性能。”

Siegel写道：“越来越明显的是，最终的多元化伙伴关系将在人与机器之间，并且两者将不可避免地拥有并发展出截然不同但互补的方法来应对诊断成像和医疗保健方面的挑战。” “摆脱试图开发仅模仿人类解决问题方法的计算机算法所带来的约束，将加速我们下一代人工智能应用程序的出现和有效性。”