如果大數據要發揮其推動現代醫療保健發展的潛力，那么醫學AI的開發人員必須愿意詳細展示其工作，來自世界各地的25位左右的研究人員共同在《自然》雜志上發表了一篇文章。

作者寫道：“以用于訓練模型并獲得其最終參數集的實際計算機代碼形式的透明度對于研究可重復性至關重要。”作者強調說，科學方法中的后一步是必不可少的。

該團隊針對這一廣為宣傳的2020年Google Health研究進行了討論，該研究的作者認為，在某些情況下，他們的AI系統在乳房X線照片中發現癌癥的能力可能優于經驗豐富的放射科醫生。

本《自然》雜志的作者指出，沒有其他研究團隊能夠再現這些發現。他們指出，部分問題在于Google Health對許可數據集的依賴超出了大多數嘗試復制Google Health結果的人的能力范圍。

《自然》文章的簽字人約翰·夸肯布什（John Quackenbush）博士在哈佛大學陳公共衛生學院發布的新聞中說，科學方法的基礎是“研究結果必須可由其他人檢驗。在臨床應用中，可測試性甚至更加重要，因為在將這些方法用于患者之前，我們需要對我們的方法具有高度的信心。”

Quackenbush是哈佛大學生物統計學系系主任，也是達納-法伯癌癥研究所的教授。他補充說：“在人工智能的應用中，這要求模型，軟件代碼和數據可用于獨立驗證。”“透明度將加快研究速度，提高患者護理水平，并在科學家和臨床醫生之間建立信心。”

責任編輯：lq