Aan de hand van die gegevens gaat een AI leren welke antwoorden op welke vragen de kans verhogen dat de diagnose autisme is. Als er dus ook maar het kleinste verschil is tussen mannen en vrouwen in de antwoorden gaat een AI dat op pikken, gezien er veel minder vrouwen diagnose kregen dan mannen.
Want doordat veel meer mannen dan vrouwen een diagnose kregen is dat voor de AI relevant, en dus gaat die tijdens het trainen bij wijze van spreken "op zoek" naar een patroon dat dat verschil duidelijk maakt. Het is eigenlijk zelfs zo gek die AI niet hoeft te weten of de patient een man of vrouw is.
Het volstaat dat mannen en vrouwen subtiel anders antwoorden op de vragen opdat een AI dat zou oppikken. Ook al zou je hem dus kunnen wijs maken dat ie meer autisme diagnoses moet gaan stellen bij vrouwen, een AI kan daar niets mee, die matcht alleen een patronen op resultaten.
Het feit dat vrouwen vaker subtiel anders antwoorden dan mannen is toch ook een patroon?
Heel juist, maar we kunnen er niks mee.
(Ik antwoord tssdoor en geplaagd door brainfog) Kan je die vragenlijsten niet zo ontwerpen dat die rekening houden met dat gegeven? Dat zal natuurlijk niets veranderen aan de vragenlijsten of (verwerking van) de data uit het verleden idd.. maar valt er niet ergens een mouw aan te passen?
Voorlopig is enkel recente diagnoses van centra met een goeie reputatie gebruiken de meest trefzekere oplossing. Er wordt serieus veel geld in AI gepompt, en er wordt veel onderzoek gedaan naar AI modellen die hun beslissingen kunnen duiden, maar we zijn er nog niet.
Sowieso vind ik het niet zo verstandig om het diagnoseproces volledig aan A.I. toe te vertrouwen. A.I. als hulp in dat proces ja, maar de combinatie met menselijke expertise en nazicht lijkt me onontbeerlijk.
Absoluut
Jep
We kunnen diezelfde AI ook niet vertellen bij welk patroon (dat overeenkomt met een vrouw) het moet corrigeren, want tot op vandaag kunnen we niet te weten komen op welke patronen die zich baseert in the first place.
Dus, om een goed AI model te trainen kan je dus 2 dingen doen: 1. ofwel alle diagnoses uit het verleden opnieuw door mensen laten evaluereren of 2. wachten tot er genoeg data is gegenereerd volgens de laatste methodieken. Daarna moet je in beide gevallen ook nog een nieuw model trainen.