大约在两年前，我们引入了可重用性报告，这是一种强调代码可重用性的文章类型。基于结果和作者和推荐人的积极反馈，我们仍然对这种形式充满热情。

在过去的几年里，有一点已经迅速变得清晰起来:为健壮可靠的AI应用程序创建、使用和维护高质量的注释数据集需要仔细关注。本视角讨论了数据到ai管道的各个阶段的挑战、考虑因素和最佳实践，以鼓励更以数据为中心的方法。

显著性方法用于定位医学图像中影响机器学习模型预测的区域，但它们的准确性和可靠性需要研究。Saporta和他的同事们用不同的模型架构评估了七种显著性方法，发现显著性图的表现比人类放射科医师的基准差。

人工智能研究人员倾向于将民主和民主化的概念以与它们的政治和历史意义没有太大关联的方式使用。我们认为，通过与政治哲学的接触，在人工智能研究中更认真地对待这一概念非常重要。

图像噪声是光学显微镜中普遍存在的问题，去噪是显微成像管道的关键步骤。Lequyer等人提出了一种自监督去噪方法，并将其应用于不同的成像和分析管道。

单细胞多组学技术在生物医学研究中得到了极大的发展。Lakkis等人开发了一种深度学习方法来解决CITE-seq和单细胞RNA-seq数据集的计算挑战。

从嘴唇运动识别语音仍然是一个具有挑战性的问题，许多努力集中在英语语言上。Ma等人使用辅助任务来训练模型，使其适用于一系列不同的语言，包括普通话、西班牙语、意大利语、法语和葡萄牙语。

通过综合征监测及时发现疫情热点，可为公共卫生政策提供极有价值的信息。一个机器学习早期指标模型使用来自数字化医疗寻求行为的高粒度数据，包括来自谷歌趋势和国家卫生服务路径呼叫的数据，可以在小地理范围内识别SARS-CoV-2风险。在临床数据证实这些变异的广泛传播和增长之前，该模型可以回顾性地识别2020年和2021年英国各种变异的热点。

触觉界面是人机界面中触觉信息传递的重要组成部分。Yao等人开发了一种柔软、超薄、小型化的无线电触觉系统，该系统允许虚拟触觉信息在手上重现。

利用机器学习从细胞株筛选中预测患者特异性临床药物反应具有挑战性。他和同事们开发了一种深度学习方法，从细胞系和其他疾病模型中预测患者特异性临床反应，用于药物开发和个性化医疗。

大约在两年前，我们引入了可重用性报告，这是一种强调代码可重用性的文章类型。基于结果和作者和推荐人的积极反馈，我们仍然对这种形式充满热情。

为了在医疗保健领域提供价值，人工智能和机器学习模型不仅必须集成到技术平台中，还必须集成到当地的人类和组织生态系统和工作流程中。为了实现大规模应用这些模型的预期收益，需要一个社会技术可移植性挑战和潜在解决方案的路线图。

人工智能研究人员倾向于将民主和民主化的概念以与它们的政治和历史意义没有太大关联的方式使用。我们认为，通过与政治哲学的接触，在人工智能研究中更认真地对待这一概念非常重要。

“Stable Diffusion”是一个高质量的图像生成工具，它的公开发布为开源AI开发设置了新的标准，并提出了新的问题。

政策制定者和研究人员一直呼吁对人工智能技术进行更大的人类问责。我们应该清楚问责制的两个明显特征。