當(dāng)臨床醫(yī)生將AI應(yīng)用于女性患者時，主要接受男性X射線訓(xùn)練的AI將表現(xiàn)不佳。如果患者皮膚黝黑并且大多數(shù)訓(xùn)練圖像來自皮膚白皙的患者，則用于皮膚病學(xué)照片診斷皮膚癌的算法將使這項工作陷入困境。等等。這種偏見的例子在醫(yī)療保健AI的裝甲中積蓄了不可忽視的缺點。

當(dāng)然，即使可行，也很難從各種各樣的患者群體中收集適合AI的培訓(xùn)數(shù)據(jù)。但是，如果醫(yī)療保健中的AI無法幫助某些最脆弱的患者人群，那么它如何幫助改善美國在人口水平上的健康的事業(yè)呢？

11月17日發(fā)表在《科學(xué)美國人》上的一篇觀點文章中，三位斯坦福大學(xué)的醫(yī)學(xué)博士/博士對該主題提出了最好的想法。

“人工智能的偏見是一個復(fù)雜的問題;僅提供各種培訓(xùn)數(shù)據(jù)并不能保證消除偏見?！?Kaushal，Altman和Langlotz寫道?！斑€提出了其他一些問題，例如，人工智能工具的開發(fā)商和出資者之間缺乏多樣性;從多數(shù)群體的角度看待問題的框架;關(guān)于數(shù)據(jù)的隱含偏見假設(shè);以及使用AI工具的輸出來無意或無意地使偏差永久化。”

他們指出，研究人員正在嘗試通過構(gòu)建可從有限輸入中推斷出廣泛輸出的算法來解決數(shù)據(jù)不一致的問題。

作者寫道：“通過這些創(chuàng)新，可能會出現(xiàn)減少AI對海量數(shù)據(jù)集需求的新方法?！薄暗悄壳埃_保用于訓(xùn)練算法的數(shù)據(jù)的多樣性對于我們理解和緩解AI偏差的能力至關(guān)重要。”

為此，他們呼吁建立所需的技術(shù)，法規(guī)，經(jīng)濟(jì)和隱私基礎(chǔ)架構(gòu)，以收集不僅大而且足夠多樣化的數(shù)據(jù)，以培訓(xùn)醫(yī)學(xué)AI，使世界各地的所有患者受益。

責(zé)任編輯：lq