Oblivious Impact. AI systems may be

Oblivious Impact. AI systems may be insensitive to impact. These systems may fail to account for the false-positive and false-negative predictions in relation to the clinical context. Li et al36 applied a deep learning algorithm to detect referable diabetic retinopathy in a data set of 71 043 retinal images. In this study, the algorithms had a high sensitivity and specificity of 92.5% and 98.5%, respectively. Misclassification of mild or moderate diabetic reti- nopathy accounted for 85.6% of false-positive cases, whereas undetected intraretinal microvascular abnormalities accounted for 77.3% of all false-negative cases. To be able to achieve more accurate and error-free systems, the systems should be able to identify the outliers and accordingly adjust their confidence of diagnosis.

Results (Thai) 1:

ลบเลือนผลกระทบ ระบบ AI อาจจะรู้สึกถึงผลกระทบ ระบบเหล่านี้อาจล้มเหลวในการบัญชีสำหรับการคาดการณ์ที่ผิดพลาดในเชิงบวกและเชิงลบเท็จในความสัมพันธ์กับบริบททางคลินิก Li et al36 ใช้อัลกอริทึมการเรียนรู้ลึกในการตรวจสอบเบาหวานอ้างอิงในชุดข้อมูล 71 043 ภาพจอประสาทตา ในการศึกษานี้ขั้นตอนวิธีการมีความไวสูงและความจำเพาะของ 92.5% และ 98.5% ตามลำดับ จำแนกของอ่อนหรือปานกลาง nopathy reti- เบาหวานคิดเป็น 85.6% ของกรณีเท็จบวกในขณะที่ตรวจไม่พบความผิดปกติของหลอดเลือดฝอย intraretinal คิดเป็น 77.3% ของทุกกรณีเท็จลบ เพื่อให้สามารถบรรลุระบบที่ถูกต้องมากขึ้นและปราศจากข้อผิดพลาดของระบบที่ควรจะสามารถที่จะระบุค่าผิดปกติและตามการปรับความเชื่อมั่นของการวินิจฉัย

Results (Thai) 2:

ลบเลือนผลกระทบ ระบบ AI อาจจะไม่ต่อเนื่องกับผลกระทบ ระบบเหล่านี้อาจไม่สามารถเข้าบัญชีสำหรับการคาดการณ์ที่เป็นเท็จในเชิงบวกและเท็จในความสัมพันธ์กับบริบททางคลินิก Li et al36 ใช้อัลกอริทึมการเรียนรู้ลึกเพื่อตรวจจับโรคจอประสาทตาในชุดข้อมูลของ๗๑๐๔๓ภาพจอประสาทตา ในการศึกษานี้, อัลกอริทึมมีความไวสูงและความจำเพาะของ๙๒.๕% และ๙๘.๕% ตามลำดับ. การจำแนกประเภทของโรคเบาหวานที่ไม่รุนแรงหรือปานกลาง reti-nopathy บัญชีสำหรับ๘๕.๖% ของกรณีที่เป็นเท็จในเชิงบวก, ในขณะที่ตรวจไม่พบความผิดปกติของหลอดเลือด intraretinal ทางบัญชีสำหรับ๗๗.๓% กรณีที่เป็นเท็จทั้งหมด. เพื่อให้สามารถบรรลุระบบที่ถูกต้องมากขึ้นและปราศจากข้อผิดพลาดระบบควรจะสามารถที่จะระบุค่าผิดปกติและปรับให้เหมาะสมกับการวินิจฉัยของพวกเขา

Results (Thai) 3:

ผลกระทบที่ไม่สามารถตรวจพบได้ ระบบปัญญาประดิษฐ์อาจจะไม่ไวต่อผลกระทบ ระบบเหล่านี้อาจไม่สามารถอธิบายเท็จบวกและลบเท็จที่เกี่ยวข้องกับสภาพแวดล้อมทางคลินิก หลี่และคนอื่นๆใช้ขั้นตอนวิธีการเรียนรู้เชิงลึกเพื่อตรวจหาเบาหวานจอประสาทตาอ้างอิงในชุดของ 71043 จอประสาทตาภาพ ความไวและความจำเพาะของขั้นตอนวิธีเหล่านี้เป็น 92.5 เปอร์เซ็นต์และ 98.5 เปอร์เซ็นต์ อ่อนหรือปานกลางเบาหวานจอประสาทตารอยโรคบัญชีสำหรับ 85.6 เปอร์เซ็นต์ของผู้ป่วยบวกเท็จแต่ไม่พบความผิดปกติของ microvasculature ในจอตาเป็น 77.3 เปอร์เซ็นต์ของผู้ป่วยที่เป็นเท็จ เพื่อให้บรรลุระบบที่ถูกต้องมากขึ้นและไม่มีข้อผิดพลาดระบบจะสามารถระบุค่าผิดปกติและปรับความน่าเชื่อถือของการวินิจฉัยตาม