Last Updated on 22.01.2021 by admin
Когда поставщики медицинских услуг заказывают тест или выписывают лекарство, они хотят быть на 100 процентов уверены в своем решении. Это означает возможность объяснить свое решение и изучить его в зависимости от реакции пациента. По мере увеличения влияния искусственного интеллекта в медицине эта способность проверять работу и следовать по пути принятия решения может стать немного запутанной. Вот почему открытие когда-то скрытой сквозной линии между двумя популярными прогностическими моделями, используемыми в искусственном интеллекте, открывает гораздо больше возможностей для уверенного распространения машинного обучения в сфере здравоохранения. Обнаружение алгоритма связывания и последующее создание «аддитивного дерева» теперь подробно описано в Proceedings of the National Academy of Sciences (PNAS) .
«В медицине цена ошибочного решения может быть очень высокой», – сказал один из авторов исследования, Лайл Ангар, доктор философии, профессор компьютерных и информационных наук в Пенсильвании. «В других отраслях, например, если компания решает, какую рекламу показывать своим потребителям, им, вероятно, не нужно перепроверять, почему компьютер выбрал данное объявление. Но в сфере здравоохранения, поскольку ошибочным решением можно навредить кому-то, лучше знать, как и почему было принято решение ».
Команда, возглавляемая доктором наук Хосе Марсио Луна, научным сотрудником отдела радиационной онкологии и членом Группы компьютерной визуализации биомаркеров (CBIG) в Пенсильвании, и Гилмером Вальдесом, доктором философии, доцентом кафедры радиационной онкологии Калифорнийского университета, Сан Франциско открыл алгоритм, который работает от нуля до единицы по шкале. Когда для модели прогнозирования установлено нулевое значение в масштабе алгоритма, ее прогнозы наиболее точны, но их труднее всего расшифровать, подобно моделям «повышения градиента». Когда модель установлена в единицу, ее легче интерпретировать, хотя прогнозы менее точны, как «деревья классификации и регрессии» (CART). Луна и его соавторы впоследствии разработали свое дерево решений где-то в середине шкалы алгоритма.
КОРЗИНА
Представление того, как часто Аддитивное дерево превосходит CART и повышение градиента (GBS) в рамках исследования.
«Раньше люди использовали CART и повышение градиента отдельно, как два разных инструмента в наборе инструментов», – сказал Луна. «Но разработанный нами алгоритм показывает, что оба они существуют на крайних концах спектра. Аддитивное дерево использует этот спектр, чтобы мы могли получить лучшее из обоих миров: высокую точность и графическую интерпретируемость ».
В ходе исследования исследователи обнаружили, что аддитивное дерево показало превосходную прогностическую эффективность по сравнению с CART в 55 из 83 различных задач. С другой стороны, повышение градиента показало лучшие результаты при прогнозировании в 46 из 83 сценариев. Хотя это не было значительно лучше, оно показывает, что аддитивное дерево было конкурентоспособным, но все же более интерпретируемым.
В дальнейшем аддитивное дерево предоставляет привлекательный вариант для систем здравоохранения, особенно для диагностики и составления прогнозов в эпоху, когда существует повышенный спрос на точную медицину. Кроме того, аддитивное дерево может помочь в принятии обоснованных решений в других областях с высокими ставками, таких как уголовное правосудие и финансы, где интерпретация моделей может помочь преодолеть возможные серьезные риски.
Загрузка...
