machinelearningmastery.ru

Машинное обучение, нейронные сети, искусственный интеллект
Header decor

Home

Недостающее звено: может ли «дерево аддитивов» расширить машинное обучение в медицине?

Дата публикации Oct 3, 2019

Фрэнк Отто

Когда медицинские работники заказывают тест или назначают лекарство, они хотят быть на 100 процентов уверены в своем решении. Это означает возможность объяснить свое решение и изучить его в зависимости от того, как пациент отвечает. По мере того, как в медицине растет след искусственного интеллекта, эта способность проверять работу и следовать по пути принятия решений может стать немного неясной. Вот почему обнаружение некогда скрытой прямой линии связи между двумя популярными прогностическими моделями, используемыми в искусственном интеллекте, открывает гораздо более широкие возможности для уверенного распространения машинного обучения в сфере здравоохранения. Обнаружение алгоритма связывания и последующее создание «аддитивного дерева» теперь подробно описано вИзвестия Национальной академии наук (PNAS),

Лайл Унгар

«В медицине цена неправильного решения может быть очень высокой», - сказал один из авторов исследования.Лайл Унгар, Доктор философии, профессор компьютерных и информационных наук в Пенсильвании. «В других отраслях, например, если компания решает, какую рекламу показывать своим потребителям, ей, вероятно, не нужно перепроверять, почему компьютер выбрал данное объявление. Но в сфере здравоохранения, поскольку возможно причинить кому-либо вред неправильным решением, лучше точно знать, как и почему было принято решение ».

Команда во главе с Хосе Марсио Луной, доктором наук, научным сотрудником в области радиационной онкологии и членом группы визуализации вычислительных биомаркеров (CBIG) в Penn Medicine, и Гилмером Вальдесом, доктором наук, доцентом радиационной онкологии в Университете Калифорнии, Сан Франциско раскрыл алгоритм, который работает от нуля до единицы по шкале. Когда прогнозирующая модель установлена ​​на ноль по шкале алгоритма, ее прогнозы являются наиболее точными, но также и наиболее трудными для расшифровки, подобно моделям с «усилением градиента». Когда модель установлена ​​на единицу, ее легче интерпретировать, хотя прогнозы менее точны, например, «деревья классификации и регрессии» (CARTs). Впоследствии Луна и его соавторы разработали дерево решений где-то посередине шкалы алгоритма.

Продолжить чтение наНовости Пенн Медицины,

Оригинальная статья

Footer decor

© machinelearningmastery.ru | Ссылки на оригиналы и авторов сохранены. | map