先进的人工智能 (AI) 系统已显示出通过改变疾病的检测、诊断和治疗来彻底改变病理学领域的前景;然而，用于开发人工智能模型的病理数据集中某些患者群体的代表性不足可能会限制其表现的整体质量并扩大健康差距。

由麻省总医院布里格姆分校的研究人员领导的一项新研究强调，标准计算病理学系统根据与组织学图像相关的人口统计特征而表现不同，但更大的“基础模型”可以帮助部分缓解这些差异。

4 月 19 日发表在《自然医学》上的研究结果强调，需要更多样化的训练数据集和对人工智能系统进行人口分层评估，以确保所有患者群体从其使用中公平受益。

病理学系计算病理学部的通讯作者 Faisal Mahmood 博士表示：“目前还没有根据独立测试数据对不同患者人口统计数据中的人工智能算法在病理学中的表现进行全面分析。”麻省总司令布里格姆。

“这项研究基于广泛用于病理学人工智能研究的公开数据集和内部麻省总医院布里格姆队列，揭示了来自不同种族、保险类型和年龄组的患者的显着表现差异。我们证明了先进的深度学习模型以称为“基础模型”的自我监督方式进行训练可以减少这些性能差异并提高准确性。”