Kan den additive træ -model udvide maskinlæring inden for medicin?

Når sundhedsudbydere bestiller en test eller ordinerer en medicin, de vil være 100 procent sikre på deres beslutning. Det betyder at kunne forklare deres beslutning og studere den, afhængigt af hvordan en patient reagerer. Da kunstig intelligens fodaftryk stiger inden for medicin, at evnen til at kontrollere arbejde og følge vejen til en beslutning kan blive lidt mudret. Derfor åbner opdagelsen af ​​en engang skjult gennemgang mellem to populære forudsigelsesmodeller, der bruges i kunstig intelligens, døren meget bredere for med sikkerhed at sprede maskinlæring videre i hele sundhedsvæsenet. Opdagelsen af ​​forbindelsesalgoritmen og den efterfølgende oprettelse af "additivtræet" er nu detaljeret i Procedurer fra National Academy of Sciences ( PNAS ).

"Inden for medicin, omkostningerne ved en forkert beslutning kan være meget høje, "sagde en af ​​undersøgelsens forfattere, Lyle Ungar, Ph.d., professor i computer- og informationsvidenskab ved Penn. "I andre brancher, for eksempel, hvis en virksomhed beslutter, hvilken reklame der skal vises sine forbrugere, de behøver sandsynligvis ikke at dobbelttjekke, hvorfor computeren valgte en given annonce. Men inden for sundhedsvæsenet da det er muligt at skade nogen med en forkert beslutning, det er bedst at vide præcist, hvordan og hvorfor en beslutning blev truffet. "

Holdet ledet af Jose Marcio Luna, Ph.d., en forskningsassistent i stråleonkologi og medlem af Computational Biomarker Imaging Group (CBIG) på Penn Medicine, og Gilmer Valdes, Ph.d., en adjunkt i stråleonkologi ved University of California, San Francisco, afdækkede en algoritme, der løber fra nul til en på en skala. Når en prædiktiv model er sat til nul på algoritmens skala, dens forudsigelser er mest nøjagtige, men også sværest at tyde, ligner modeller med "gradient boosting". Når en model er sat til en, det er lettere at fortolke, selvom forudsigelserne er mindre præcise, som "klassificering og regressionstræer" (CART'er). Luna og hans medforfattere udviklede efterfølgende deres beslutningstræ et sted midt i algoritmens skala.

"Tidligere har folk brugte CART og gradient boosting separat, som to forskellige værktøjer i værktøjskassen, "Luna sagde." Men den algoritme, vi udviklede, viser, at de begge findes i de ekstreme ender af et spektrum. Additivtræet bruger dette spektrum, så vi får det bedste fra begge verdener:høj nøjagtighed og grafisk fortolkning. "

I undersøgelsen, forskerne fandt ud af, at additivtræet viste overlegen prædiktiv ydeevne for CART i 55 ud af 83 forskellige opgaver. I den anden ende, gradient boosting klarede sig bedre i forudsigelsen i 46 af 83 scenarier. Selvom dette ikke var væsentligt bedre, det viser, at additivtræet var konkurrencedygtigt, mens det stadig var mere fortolkeligt.

Bevæger sig fremad, additivtræet giver en attraktiv mulighed for sundhedssystemer, især til diagnostik og frembringelse af prognoser i en æra, hvor der er større efterspørgsel efter præcisionsmedicin. Desuden, additivtræet har potentiale til at hjælpe med at træffe velinformerede beslutninger i andre områder med stor indsats, såsom strafferet og finans, hvor fortolkning af modellerne kunne hjælpe med at overvinde mulige alvorlige risici.