A Comprehensive Framework for the Development of Ethical Machine Learning in Medicine
Notice bibliographique
Résumé
As the health industry continues to collect more data and the development of Artificial Intelligence continues to reach new heights, the potential collaboration between the two becomes more tempting.Leveraging the power of AI and the sheer amount of data within health could revolutionize the health industry that is known today.However, it is imperative that the ethics of such innovative solutions are considered as while the potential for AI in medicine is astronomical, the potential pitfalls are treacherous.In order to ensure the ethical use of Machine Learning and AI in medicine, a recognized set of ethical guidelines must be put into place for the development of models.AI experts and health professionals alike must work together to consider the ethical quandaries of the usage of AI in medicine and develop methods and guidelines to mitigate them.We have surveyed the current usage and ethical concerns of AI in medicine and the state of ethical machine learning in Computer Science.Through this survey it has become clear that there is a need for a comprehensive framework for ethical machine learning development with applications in medicine.While there is work being done for each stage of the development of machine learning in medicine in an attempt to create ethical models, there are none that cover all of the stages nor are they covering more than a few ethical issues.There is a need for an interdisciplinary, comprehensive framework combining the best of AI Impact Assessments (AIAs), quantitative and qualitative metrics, checklists, and the numerous debates and discussions on the ethics of AI in medicine.
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 | 0,186 | 0,111 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,010 | 0,004 |
| Études des sciences et des technologies | 0,012 | 0,079 |
| Communication savante | 0,025 | 0,024 |
| Science ouverte | 0,005 | 0,015 |
| Intégrité de la recherche | 0,016 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».