Artificial Intelligence in Radiology: An Exciting Future, but Ethically Complex
Notice bibliographique
Résumé
“Let me start by saying a few things that seem obvious. I think if you work as a radiologist, you’re like the coyote that’s already over the edge of the cliff but hasn’t yet looked down, so doesn’t know there’s no ground underneath him. People should stop training radiologists now. It’s just completely obvious that within 5 years, deep learning is going to do better than radiologists, because it’s going to be able to get a lot more experience. It might be 10 years, but we’ve got plenty of radiologists already. I said this at a hospital, and it didn’t go down too well.” With those words at a 2016 Creative Destruction Lab (CDL) seminar on ‘Machine Learning and the Market for Intelligence’ in Toronto, Canada, Dr Geoff Hinton provided radiologists the world over with an uncomfortable prediction of their obsolescence (and provided a piece of video that always gets attention from audiences during speeches about artificial intelligence [AI] and radiology). Dr Hinton, an English/Canadian cognitive psychologist and computer scientist, is, fittingly, the great-great-grandson of George Boole. There have been many other such predictions in recent years, some from sources that know less about the subject than Dr Hinton. In October 2020, the Dutch Finance Minister, Wopke Hoekstra, said: “The work of the radiologist to a significant extent has become redundant, because […] a machine can read the images better than humans who studied 10 years for it.” He also commented that the same changes were occurring with supermarket checkout operators.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,034 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,036 |
| Communication savante | 0,019 | 0,030 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,021 | 0,045 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,006 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».