In de afgelopen decennia hebben nieuwe technologieën het mogelijk gemaakt om een ​​grote verscheidenheid aan systemen te ontwikkelen die enorme hoeveelheden biomedische data kunnen genereren, bijvoorbeeld in kankeronderzoek. Tegelijkertijd zijn er geheel nieuwe mogelijkheden ontstaan ​​om deze data te onderzoeken en te evalueren met behulp van kunstmatige-intelligentiemethoden. AI-algoritmen op bijvoorbeeld intensive care-afdelingen kunnen op basis van grote hoeveelheden gegevens van verschillende monitoringsystemen in een vroeg stadium een ​​circulatiestilstand voorspellen door veel complexe informatie uit verschillende bronnen tegelijkertijd te verwerken, wat de menselijke mogelijkheden ver te boven gaat.

Dit grote potentieel van AI-systemen leidt tot een onbeheersbaar aantal biomedische AI-toepassingen. Helaas voldoen de bijbehorende rapporten en publicaties niet altijd aan best practices of geven ze alleen onvolledige informatie over de gebruikte algoritmen of de herkomst van de data. Dit maakt beoordeling en uitgebreide vergelijkingen van AI-modellen moeilijk. De beslissingen van AI's zijn niet altijd begrijpelijk voor mensen en resultaten zijn zelden volledig reproduceerbaar. Deze situatie is onhoudbaar, vooral in klinisch onderzoek, waar vertrouwen in AI-modellen en transparante onderzoeksrapporten cruciaal zijn om de acceptatie van AI-algoritmen te vergroten en om verbeterde AI-methoden voor fundamenteel biomedisch onderzoek te ontwikkelen.

Om dit probleem aan te pakken, heeft een internationaal onderzoeksteam, waaronder de UM, het AIMe-register voor kunstmatige intelligentie in biomedisch onderzoek voorgesteld, een gemeenschapsgestuurd register waarmee gebruikers van nieuwe biomedische AI ​​gemakkelijk toegankelijke, doorzoekbare en citeerbare rapporten kunnen maken die kunnen worden bestudeerd en beoordeeld door de wetenschappelijke gemeenschap.

Het vrij toegankelijke register is beschikbaar op https://aime-registry.org en bestaat uit een gebruiksvriendelijke webservice die gebruikers door de AIMe-standaard leidt en hen in staat stelt om volledige en gestandaardiseerde rapporten te genereren over de gebruikte AI-modellen. Er wordt automatisch een unieke AIMe identifier aangemaakt, die ervoor zorgt dat het rapport persistent blijft en kan worden gespecificeerd in publicaties. Auteurs hoeven zich dus niet bezig te houden met de tijdrovende beschrijving van alle facetten van de AI die wordt gebruikt in artikelen voor wetenschappelijke tijdschriften en verwijzen simpelweg naar het rapport in het AIMe-register.

Aangezien het register is ontworpen als een webplatform dat wordt onderhouden door de wetenschappelijke gemeenschap, kan elke gebruiker vragen stellen over bestaande rapporten, opmerkingen maken of verbeteringen voorstellen. Deze feedback van de community wordt ook meegenomen in de jaarlijkse update van de AIMe-standaard, en geïnteresseerde onderzoekers kunnen zich aansluiten bij de AIMe Steering Committee om meer betrokken te raken bij de verdere standaardisatie van biomedische AI.

“Het AIMe-register biedt niet alleen eenvoudige registratie van AI-methoden in citeerbare vorm, maar biedt ook de mogelijkheid om te zoeken naar bestaande AI-systemen die relevant zijn voor het toepassingsgebied. Dit betekent dat onderzoekers niet elke keer het wiel opnieuw hoeven uit te vinden en er zeker van kunnen zijn dat de gebruikte AI-methode is geëvalueerd en voldoet aan de AIMe-normen”, meldt prof. Jan Baumbach van het Center for Bioinformatics van de Universiteit van Hamburg.

Original publication

Authors: J. Matschinske, N. Alcaraz, A. Benis, M. Golebiewski, D. G. Grimm, L. Heumos, T. Kacprowski, O. Lazareva, M. List, Z. Louadi, J. K. Pauling, N. Pfeifer, R. Röttger, V. Schwämmle, G. Sturm, A. Traverso, K. van Steen, M. V. de Freitas, G. C. V. Silva, L. Wee, N. K. Wenke, M. Zanin, O. Zolotareva, J. Baumbach, and D. B. Blumenthal

Title: The AIMe registry for artificial intelligence in biomedical research

Nature Methods XXX (2021).

DOI: 10.1038/s41592-021-01241-0

Website: https://aime-registry.org