医疗人工智能工具可以有效地为不同的位置工作，人口

对于人工智能（AI）来实现其充分潜力的患者患者患者，研究人员将不得不证明他们的机器学习成功可以持续跨越环境和患者人口复制。

这就是为什么凯斯西储大学生物医学工程研究人员越来越专注于将他们的新算法应用于多个位置的病人扫描。

例如，在这个春天早些时候，他们公布了涉及来自三名医疗保健系统400名患者的肺癌诊断的有希望的结果。和2020年的研究表明，他们的方法可以在四个地点预测610例早期肺癌患者的复发。

该大学计算成像和个性化诊断中心(CCIPD)主任Anant Madabhushi解释说:“这不是一件小事——这是未来人工智能应用于临床医生的重要一步，也是我们必须解决的问题之一。”“例如，我们知道，即使是在一家医院里，患者也可能在不同的CT扫描仪上扫描，导致图像呈现不同的外观，所以人工智能必须能够解释这些差异。”

因此，如果AI将被信任 - 然后经常使用医生和临床医生，那些最终用户不仅可以相信计算机诊断，而且它可以被复制 - 并专门为自己工作耐心。

下一步：重新证明可重复的结果

研究人员称之为可重复性或经常“概括性”，这是一种成功的方法，治疗或工具可以在几乎或在几乎任何其他变量的何时，地点或谁中工作的想法。

它已经证明了一个难以捉摸的目标，甚至被其他研究人员称为“神话”，他已经确定了几个令人生畏的障碍。这些困难包括CT机器如何产生图像的差异，硬件和软件和患者人口统计学的变化。

为此，Madabhushi和他的小组正在使用肺癌的广义AI签名对他们已经识别的CT扫描进行了预期临床试验。

研究人员一直在俄亥俄州东北部门合作，评估这些AI工具的真实世界普遍性，以解决肺癌诊断和预后的问题。

现在，新发表的研究建立在CCIPD过去几年在开发可通用性AI模型领域的以前和正在进行的工作的基础上。

它的创新之处在于，它创建了一个更正式的框架，用于识别稳定和准确的特性，同时也验证了大量研究和机构的方法。

Madabhushi、生物医学工程博士生Mohammadhadi Khorrami及其合作者的研究分别于2020年4月发表在该杂志上肺癌并于2021年3月加入欧洲癌症杂志。

区别在于“稳定”特性

为此，Anant Madabhushi和他的小组在大学的计算成像和个性化诊断（CCIPD）中已成功地应用了他们的AI确定哪种肺癌患者对化疗，免疫疗法或在某些情况下，癌症是否会回归或患者可能居住多久。

但在每一种情况下，这些结果都只来自对现有数据和/或图像的分析，而且只针对某一组癌症患者。

现在，他们不再只是教他们的电脑专注于扫描的特征来区分恶性肿瘤和良性肿瘤例如，他们编写了一种程序，让人工智能记住从一次扫描到另一次扫描的一致性较差的特征，即使这些特征与人工智能无关癌症本身。

这项工作的关键是通过生物医学工程博士评估数百种图像特征。学生穆罕默德哈迪·斯巴邦霍拉米说。

Khorrami不仅考虑了纹理和形状的方式肺结节可能导致诊断肺癌并预测结果，也是如何一致或稳定，这些功能跨越CT扫描仪和网站。

“要这样做，我们确定了一组最准确的功能 - 但同时在网站上稳定，”Khorrami说。“所以，当我们在外部站点上使用这些准确且稳定的功能评估机器学习模型时，与只有最准确的功能创建的那些，这些型号更好地做得更好，该模型不考虑特征的稳定性。”

---

---