加法樹模型可以擴展醫學中的機器學習嗎

醫療保健提供者訂購測試或開藥時，他們希望對自己的決定有100%的信心。這意味著能夠根據患者的反應來解釋他們的決定并進行研究。隨著人工智能在醫學領域的足跡不斷增加，檢查工作和遵循決策路徑的能力可能會變得有些混亂。這就是為什么在人工智能中使用的兩種流行的預測模型之間發現一條曾經被隱藏的直通車的原因，這為更可靠地在整個醫療保健領域進一步推廣機器學習打開了大門。現在在《國家科學院院刊》(PNAS)上詳細介紹了鏈接算法的發現以及隨后“加法樹”的創建。)。

這項研究的作者之一，賓夕法尼亞大學計算機與信息科學教授萊爾·恩加爾(Lyle Ungar)博士說：“在醫學上，錯誤決定的代價可能很高。” “例如，在其他行業中，如果一家公司正在決定向消費者展示哪個廣告，他們可能無需再次檢查計算機為何選擇了給定廣告。但是在醫療保健方面，因為有可能以錯誤的決定，最好是確切地知道如何以及為什么做出決定。”

該小組由放射腫瘤學研究助理，賓夕法尼亞醫學計算生物標志物成像小組(CBIG)成員Jose Marcio Luna博士以及加州大學圣路易斯分校放射腫瘤學助理教授Gilmer Valdes博士領導。弗朗西斯科(Francisco)發現了一種從零到一的運算法則。當預測模型在算法規模上設置為零時，類似于“梯度提升”模型，其預測最準確，但也最難于解密。將模型設置為一個模型時，盡管預測的準確性較差，例如“分類和回歸樹”(CART)，但更易于解釋。Luna及其合作者隨后在算法規模的中間位置開發了決策樹。

Luna說：“以前，人們分別使用CART和漸變增強作為工具箱中的兩個不同工具。” “但是我們開發的算法表明它們都存在于頻譜的最末端。可加性樹使用該頻譜，因此我們可以兼得兩者：高精度和圖形可解釋性。”

在這項研究中，研究人員發現，在83個不同任務中的55個中，相加樹顯示出比CART更好的預測性能。另一方面，在83個場景中的46個場景中，梯度增強在預測中表現更好。盡管這并沒有明顯好轉，但它確實表明加法樹具有競爭力，同時仍然更具解釋性。

向前邁進，添加劑樹為醫療保健系統提供了一個有吸引力的選擇，特別是在對精密醫學的需求日益增加的時代，尤其是對于診斷和預測的產生。此外，加性樹有潛力幫助在其他高風險領域(例如刑事司法和金融)做出明智的決策，在這些領域中解釋模型可以幫助克服可能的嚴重風險。