在分析多个卫生系统的数据时，人工智能可能会缩短

根据ICAHN医学院在Mount of Mount of The Specion of The Specions of The Specions of The Specions of The Specions of The Specions of The Specions of The Specioned问题Plos医学关于机器学习和医疗保健。这些发现表明，必须在广泛的种群中仔细测试医疗空间中的人工智能;否则，深度学习模型可能无法正常执行。

兴趣使用计算机系统框架称为卷积神经网络（CNN），用于分析医学成像并提供计算机辅助的诊断增长，最近的研究表明，AI图像分类可能不会概括为新数据以及通常描绘的新数据。

Icahn Mount Mount South医学院的研究人员评估了AI模特如何在三个医疗机构的158,000胸X光中鉴定肺炎：国家卫生研究院;山山山;和印第安纳大学医院。研究人员选择研究胸部X射线肺炎的诊断，以实现研究界的常见发生，临床意义和患病率。

在五种比较中的三种比较中，CNNS在自己网络之外的医院诊断疾病方面的表现明显低于原始卫生系统的X射线。但是，CNN能够检测到医院在高度准确度获得X射线的系统，并根据训练机构的肺炎患病率在他们的预测任务中作弊。研究人员发现使用深层学习模型的难度药物是他们使用大量的参数，使得识别特定变量的驾驶预测，例如在医院使用的CT扫描仪和成像质量的类型的特定变量。

“考虑迅速部署，我们的调查结果应暂停人工智能在没有严格地评估他们在现实世界临床环境中的性能的平台，反映了他们正在部署的地方，“塞奈·伊坎科医学院神经外科教练的高级作者Eric Oermann，MD，译员。”深入学习模型，培训了医疗诊断可以很好地概括，但这不能被视为理所当然，因为患者群体和成像技术在机构中显着不同。“

“如果CNN系统用于医疗诊断，他们必须定制以仔细考虑临床问题，以各种现实世界的情景测试，并仔细评估，以确定它们如何影响准确的诊断，”首次作者John Zech说：“Icahn医学院的医学学生在西奈山的医学院。

这项研究在今年早些时候在期刊放射学和自然医学发布的论文中建立了框架，该框架奠定了应用计算机视觉和深度学习技术，包括自然语言处理算法，用于识别CT扫描的放射学报告中的临床概念。

---

---