编译/文龙
在过去的二十年里，高通量技术的巨大进步与成本的降低使得产生大量的生物医学数据成为了可能。与此同时，使用人工智能方法检查和评估这些数据的全新可能性已得到发展，高维数据也已经能够以准确且稳健的方式进行数学建模。
虽然 AI 在生物医学研究中具有明显的潜力，但其在转化为临床研究的道路上却十分坎坷，原因之一就是 AI 的决策往往是不透明的、难以解释的，有一些模型甚至不能完全复现。这也是 AI 在许多实际应用中所面临的共同问题。
正如一些科学家所说的那样：「为了得到广泛的应用，人工智能系统必须得到监管机构的批准，并被标准化到一定的程度。」
为了增强 AI 模型在生物医学中的可信度，来自欧洲、北美的两支国际研究团队相继在《Nature Methods》杂志上发表了文章，希望能够为生物医学 AI 建立起统一的标准，以增强人们对人工智能在生物医学研究乃至临床实践中运用的信任。
其中一篇文章中提出：
这些标准是推动科学突破、推动知识进步以及确保研究结果可以被另一组科学家复现的关键。
这些标准将允许科学家专注于下一个突破，而不是花时间重现原研究作者创造的轮子。
打造专属社区平台
由德国、丹麦、以色列、奥地利、荷兰、比利时、巴西、西班牙多所大学的专家学者组成的国际研究团队提出了 AIMe 生物医学研究人工智能注册表（registry）。
AIMe registry 是一个社区驱动的报告平台，旨在提高生物医学 AI 模型的可用性、可靠性和可重复性，可通过 https://aime-registry.org/ 进行访问。
论文链接：http://dx.doi.org/10.1038/s41592-021-01241-0
文章详细介绍了 AIMe 提供的三种主要服务：创建新报告、查询数据库和贡献。
AIMe registry 概览。
- 首先是创建新报告，这涉及到 AIMe 标准的第一个版本，即 AIMe2021 标准，共分五个部分：元数据、目的、数据、方法和再现性，每部分有相应的问题。通过依次填写问卷，研究人员可以以结构化形式展示他们的 AI 模型。报告示例可通过 https://aime-registry.org/database/获取。
创建报告的填写流程。
- 创建的新报告将添加到 AIMe 数据库中，可供社区成员搜索、并对现有报告提出问题、发表评论。
- 贡献则分为两个部分，允许感兴趣的成员通过提供改进建议或请求加入委员会共同打造 AIMe 标准的未来版本。
由于生物医学 AI 是一个快速发展的领域，AIMe 标准也必须不断适应新的发展，因此预设了每年一次的修订过程。
AIMe 还主动承诺开放同行评审、开放方法、开放知识多样性、开源代码四个开放科学原则，确保社区的良性发展。
如何定义可复现性
另一支由美国、加拿大、英国多所高校的专家学者组成的研究团队拥有相同的观点，也提出了类似的流程，但他们着重制定了可复现性标准的细则。
为了使生命科学中的机器学习分析在计算上更具可重复性，该团队从数据、模型和代码的公布情况、编程实践、工作流自动化程度方面提出了标准，以确保生命科学中的机器学习分析值得信赖。
论文链接：https://doi.org/10.1038/s41592-021-01256-7
由于在许多情况下很难强加一个将工作分为「可复现」和「不可复现」的单一标准，因此我们提出了一种包含三档不同严苛程度的计算可复现性标准的分级：
- 青铜：公开了分析中使用的数据、模型和代码。
- 白银：增加了（1）分析的依赖项可以通过单个命令下载和安装；(2) 记录了实现的关键细节，包括运行脚本的顺序、使用的操作系统和系统资源要求；(3) 分析中的所有随机参数都设置为确定的。
- 黄金：增加了使用单个命令即可使分析重现。
生命科学中机器学习的可复现性标准。
可复现性的黄金标准是完全自动化。当一项工作符合这个标准时，其他研究人员就可以几乎不需要花费精力就可以复现它。
作者解释说：「虽然很多人会将模型的可复现性视为二元属性，但我们更愿意将其考虑为一种反映复现所需时间的滑动比例。」
这些标准的制定再加以相应的激励措施，不仅会有助于加速该领域的研究，还有助于可重复编程的实践。在实际研究中，不可复现的代码虽然会在短期内减少作者的工作量，但从长远来看会增加未来研究人员甚至原作者自己的工作量。
最后，作者强调：「如果我们希望生命科学在值得信赖的可验证研究方面处于领先地位，那么为计算可复现性设定标准是一个很好的起点。」
参考内容：
https://techxplore.com/news/2021-08-standard-artificial-intelligence-biomedicine.html
https://techxplore.com/news/2021-08-standards-machine.html
