وقتی دو سامانه درصد متفاوتی از تحلیل استخوان گزارش میکنند، نخستین پرسش این نیست که کدام مدل پیچیدهتر است. باید دید هرکدام دقیقاً چه چیزی را، از کدام نقطه تا کدام نقطه و با چه مرجع مقایسهای اندازه گرفتهاند. عدد بدون تعریف عملیاتی، مبنای مقایسه نیست.
مسئله را به اندازهگیری تبدیل کنید در پروتکل ارزیابی مشخص کنید کدام ساختارها باید قابل مشاهده باشند و تصویر با کیفیت ناکافی چه وضعی دارد. حذف خاموش تصاویر دشوار میتواند نتیجه را خوشبینانه کند. تعداد و دلیل موارد حذفشده باید در کنار نتایج باقی بماند.
مرجع انسانی هم نیاز به توضیح دارد تعداد ارزیابان، تجربهٔ آنها، روش حل اختلاف و تکرارپذیری اندازهگیری را بررسی کنید. اگر برچسبها ناپایدار باشند، درصد توافق مدل با آنها را نباید بیواسطه به حقیقت بالینی تعبیر کرد. یک مجموعهٔ آموزشی خوب، دستورالعمل برچسبگذاری قابل استفاده برای نفر بعدی هم دارد.
شواهد بیرون از مجموعهٔ اولیه مرور نظاممند تشخیص تحلیل استخوان فک با AI بر نیاز به اعتبارسنجی خارجی و دادههای متنوعتر تأکید میکند. هنگام ارزیابی یک محصول، روشن کنید نتیجهٔ ارائهشده متعلق به همان مرکز تولید داده است یا مرکز مستقل. نتیجهٔ یک آزمون تصویری را نیز به روند طولی بیماری یا وضعیت کامل بیمار تعمیم ندهید.
خروجی قابل بازبینی بخواهید بهعنوان پیشنهاد برای طراحی نرمافزار، نقاط مبنای اندازهگیری و امکان اصلاح توسط خواننده را کنار عدد نهایی نمایش دهید. تاریخ اصلاح و نسخهٔ ابزار ثبت شود. چنین طراحیای اختلاف را قابل بررسی میکند و برای پژوهش بعدی، دادهای روشنتر از یک عدد ذخیرهشده باقی میگذارد.
منابع این یادداشت
- مرور نظاممند تشخیص تحلیل استخوان فک با AI pubmed.ncbi.nlm.nih.gov
- ADA؛ استانداردهای هوش مصنوعی در دندانپزشکی adanews.ada.org
دربارهٔ نویسنده
دکتر میلاد جلالی
بنیانگذار ریسرچ ادیتور و محتوانگار. کار من به پژوهش، آموزش هوش مصنوعی و برندینگ پزشکی متصل است.
رزومه و سوابق ↖پروژهها ↖
