Test de robustesse des modèles d'IA médicale : ensembles de données MIMIC-III, eICU et SEER

Cette étude évalue la précision des modèles d'apprentissage automatique dans la prédiction des résultats de maladies graves : risque de mortalité hospitalière en 48 heures, survie au cancer du sein à 5 ans et survie au cancer du poumon à 5 ans. Trois ensembles de données ont été utilisés : MIMIC-III, eICU et SEER, en utilisant des modèles tels que LSTM, MLP et XGBoost. Pour tester la robustesse du modèle, diverses méthodes de génération de cas de test ont été conçues, notamment des variations basées sur les attributs, la montée en gradient et des approches basées sur l'échelle de coma de Glasgow. L'étude a évalué les performances du modèle sur ces cas difficiles, révélant des performances variables selon les ensembles de données et les méthodes, soulignant la nécessité d'améliorations supplémentaires pour améliorer la fiabilité.