MARC

 008260126s2025        us                              c    eng  d
■001000017360781
■00520260202105618
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265428547
■035    ▼a(MiAaPQ)AAI32316484
■035    ▼a(MiAaPQ)Stanfordkd989mp6611
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a300
■1001  ▼aWu,  Eric.
■24510▼aDevelopment,  Evaluation,  and  Deployment  of  Medical  AI
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a190  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Zou,  James.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aArtificial  intelligence  (AI)  holds  incredible  promise  to  transform  clinical  care,  yet  its  safe  and  effective  deployment  on  patients  depends  on  robust  evaluation  and  domain-specific  advancements.  This  dissertation  advances  those  goals  through  eight  peer-reviewed  studies  that  span  the  full  lifecycle  of  medical  AI.  First,  we  present  a  trio  of  works  revealing  limitations  in  the  regulatory  and  deployment  landscape  of  medical  AI  devices.  Our  systematic  review  of  FDA-cleared  AI  devices  show  that  1)  approvals  have  been  based  primarily  single-site,  retrospective  studies;  2)  post-market  monitoring  and  model  updating  are  rare;  and  3)  only  a  small  subset  of  regulatory-approved  algorithms  are  ever  utilized  in  clinical  care.  Second,  we  propose  three  benchmarks  that  highlight  current  shortcomings  in  medical  large  language  models  (LLMs):  1)  models  often  adopt  erroneous  retrieved  text  over  correct  prior  knowledge,  2)  LLMs  often  hallucinate  supporting  citations,  and  3)  are  unable  to  reliably  learn  new  and  updated  medical  knowledge  via  fine-tuning.  Third,  moving  beyond  evaluation  to  spatial  biology,  we  introduce  7-UP  and  ROSIE,  complementary  works  that  leverage  generative  AI  to  impute  high-dimensional  molecular  information  from  routine  clinical  assays.  By  training  deep  learning  models  on  millions  of  imaged  cells,  we  can  perform  in  silico  staining  to  obtain  dozens  of  spatially  resolved  protein  markers  from  only  H\\&E  or  low-plex  immunofluorescence  panels.  Collectively,  these  contributions  reveal  shortcomings  in  current  medical  AI  regulation,  introduce  robust  benchmarks  and  evaluations  of  clinical  LLM  deployment,  and  present  generative  methods  that  widen  access  to  high-dimensional  tissue  profiling.  The  work  provides  evidence-based  recommendations  for  regulators,  developers,  and  clinicians,  and  delivers  open-source  tools  and  datasets  to  accelerate  safe  and  effective  adoption  of  AI  in  medicine.
■590    ▼aSchool  code:  0212.
■650  4▼aPatients
■650  4▼aMedical  equipment
■650  4▼aCitations
■650  4▼aClinical  medicine
■650  4▼aLarge  language  models
■650  4▼aChatbots
■650  4▼aMedicine
■690    ▼a0800
■690    ▼a0564
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360781▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서