通过比较算法性能，公共攀爬的攀岩可以大大加速ML研究。但是，它需要与任务相关的指标。对于涉及寄生虫负荷的疾病，例如疟疾和被忽视的热带疾病（NTDS），例如血吸虫病，目前在ML论文中报道的指标（例如AUC，F1分数）不适合临床任务。结果，爬山系统并没有使解决这些严重疾病的解决方案取得进展。本文借鉴了疟疾和NTD的示例，在当前的ML实践中强调了两个差距，并提出了改进的方法：（i）我们描述了ML开发的方面，尤其是性能指标，需要将其牢固地基于临床用途案例。 ，我们提供获取此领域知识的方法。 （ii）我们详细描述了绩效指标，以指导涉及寄生虫负荷的疾病的ML模型的开发。我们强调了患者级别的观点，室内变异性，假阳性率，检测限制和不同类型的错误的重要性。我们还讨论了在这种情况下常用的ROC曲线和AUC的问题。
translated by 谷歌翻译