Updating the Minimum Information about CLinical Artificial Intelligence (MI-CLAIM) checklist for generative modeling research

最近生成模型的进展，包括大型语言模型（LLMs）、视觉语言模型（VLMs）和扩散模型，加速了医学自然语言和图像处理领域的发展，标志着生物医学模型开发和部署方式的重大范式转变。虽然这些模型高度适应新任务，但扩展和评估它们的使用也带来了新的挑战，这些挑战在以前的框架中没有得到解决。特别是，这些模型能够在几乎没有专门训练数据的情况下产生有用的输出（“零”或“少量样本”方法），以及它们的输出具有开放性，这需要制定更新的指南来使用和评估这些模型。针对美国第141103号行政命令所确定的临床AI工具开发标准和最佳实践的空白，以及几个新兴的国家临床AI评估网络，我们开始通过基于“临床人工智能建模最小信息”（MI-CLAIM）清单来形成这些指南。MI-CLAIM清单最初于2020年开发，提供了一组六个步骤的指南，以确保透明、可重复的医学人工智能（AI）研究所需的最少信息。在这里，我们提出了对原清单的修改，以突出生成模型与传统临床研究AI模型在训练、评估、可解释性和可重复性方面的差异。这份更新后的清单还试图澄清队列选择报告，并增加了与伦理标准的一致性相关的其他项目。

如何使用生成模型在医学领域中进行零样本和少样本学习，以及如何评估这些模型的性能和可解释性？

在现有的MI-CLAIM检查清单基础上，提出了针对生成模型的修改版检查清单，强调了这些模型在训练、评估、可解释性和可重现性方面的不同之处，并添加了对伦理标准的对齐要求。

论文提出的修改版MI-CLAIM检查清单对于使用生成模型进行医学研究具有指导意义。文章还介绍了几种生成模型在医学领域中的应用，包括自然语言处理和图像处理。实验使用了多个数据集，并说明了模型的性能和可解释性。

最近的一些相关研究包括：《A Survey on Generative Models for Electronic Health Records》、《Few-Shot Learning in Medical Image Analysis: A Survey》、《Interpretability of Machine Learning-based Prediction Models in Healthcare》等。