Комбинируя элементы двух широко используемых моделей прогнозирования, аддитивное дерево представляет собой модель с высоким уровнем прогнозирования, которую также легко интерпретировать.

Фрэнк Отто

Когда поставщики медицинских услуг заказывают тест или назначают лекарство, они хотят быть на 100 процентов уверенными в своем решении. Это означает возможность объяснить свое решение и изучить его в зависимости от реакции пациента. По мере того, как влияние искусственного интеллекта в медицине увеличивается, эта способность проверять работу и следовать пути принятия решения может стать немного запутанной. Вот почему открытие когда-то скрытой связи между двумя популярными прогностическими моделями, используемыми в искусственном интеллекте, открывает гораздо более широкие возможности для дальнейшего распространения машинного обучения в здравоохранении. Открытие алгоритма связывания и последующее создание аддитивного дерева теперь подробно описано в Proceedings of the National Academy of Sciences (PNAS).

В медицине цена неправильного решения может быть очень высокой, — сказал один из авторов исследования Лайл Унгар, доктор медицинских наук, профессор компьютерных и информационных наук Пенсильванского университета. В других отраслях, например, если компания решает, какую рекламу показывать своим потребителям, ей, скорее всего, не нужно дважды проверять, почему компьютер выбрал данную рекламу. Но в здравоохранении, поскольку можно навредить кому-то неправильным решением, лучше точно знать, как и почему было принято решение.

Команда под руководством Хосе Марсио Луны, доктора философии, научного сотрудника в области радиационной онкологии и члена группы компьютерной визуализации биомаркеров (CBIG) в Penn Medicine, и Гилмера Вальдеса, доктора философии, доцента радиационной онкологии в Калифорнийском университете, Сан Франциско, раскрыл алгоритм, работающий от нуля до единицы по шкале. Когда прогностическая модель установлена ​​на ноль по шкале алгоритма, ее прогнозы являются наиболее точными, но также и наиболее трудными для расшифровки, подобно моделям «повышения градиента». Когда модель установлена ​​на 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.

Продолжить чтение на Penn Medicine News.