Tại sao việc sử dụng không thường xuyên các kỹ thuật máy học trong y sinh học tịnh tiến?

Đây là theo dõi một câu hỏi trước. đây :

Mô hình mạng lưới thần kinh để dự đoán kết quả điều trị

và có thể được xem xét để đề cập đến một khía cạnh khác của câu hỏi này:

Ứng dụng kỹ thuật học máy trong nghiên cứu lâm sàng mẫu nhỏ

Cảm ơn Zach đã đề nghị đăng lại.

Bây giờ tôi đã đọc một số cách đọc khá nghiêm túc trên GIỎI, RandomForest, Mạng nơ-ron và học máy nói chung, đã học về các gói WEKA và R, đã xem và theo dõi các bài giảng kỹ thuật của Stanford http: //www.ml- class.org/ khóa học / lớp / chỉ số, Tôi có 3 chương vào Hastie. Với loại dữ liệu chúng ta thấy thường xuyên trong nghiên cứu định hướng lâm sàng - tải các thông số lâm sàng + tải các thông số sinh hóa + dữ liệu thử nghiệm bằng bút và giấy +/- dữ liệu thần kinh với số lượng nhỏ, tôi có cảm giác rằng mình đang thiếu thứ gì đó. Tôi không thường xuyên đọc về các kỹ thuật ML đang được áp dụng trong tài liệu nghiên cứu. Câu hỏi của tôi là: tôi vừa nắm bắt được điều gì đó đáng ngờ và do đó được xem là có sự nghi ngờ chính đáng bằng cách nghiên cứu các bác sĩ lâm sàng và nhà sinh học nhận thức rõ về nó, hoặc những kỹ thuật này thực sự bị bỏ qua hoặc sợ hãi bên ngoài "phân tích kinh doanh"? Điều gì giữ cho nó "thích hợp"?

machine-learning medicine

— rosser
nguồn

Tôi nghĩ vấn đề ở đây liên quan nhiều đến những tạp chí bạn đọc hơn bất cứ thứ gì khác. Học máy được áp dụng khá nhiều trong y học dịch thuật hiện đại, với điều kiện các mô hình hộp đen được chấp nhận cho nhiệm vụ.

— Marc Claesen 4/03/2015

Câu trả lời:

Kỹ thuật học máy thường thiếu khả năng diễn giải. Ngoài ra, chúng có xu hướng khá thô từ quan điểm thống kê --- ví dụ: mạng thần kinh không đưa ra giả định nào về dữ liệu đầu vào. Tôi có cảm giác rằng rất nhiều người (đặc biệt là nếu họ có nền tảng thống kê mạnh mẽ) coi thường họ.

— bayerj
nguồn

Vâng, tôi nghĩ rằng tôi đã nhận được điều đó. Tuy nhiên, theo quan điểm của tôi, các phương pháp thống kê không thuần túy cũng không bẩn, chỉ là ứng dụng logic vào dữ liệu. Nếu bạn muốn một viên thuốc để chữa một cái gì đó, thì bạn cần phải hiểu mối liên hệ và đưa nó đến phòng thí nghiệm sinh học phân tử. Tuy nhiên, nếu bạn chỉ muốn đưa ra dự đoán bằng phương pháp hộp đen (NN / RF) hoặc quyết định (GIỎI), thì vấn đề là gì? Bạn thậm chí có thể đạt được cái nhìn sâu sắc. Có sâu hơn hợm hĩnh không?

— rosser

Mặc dù khả năng diễn giải chắc chắn là tốt, tôi không chắc liệu tôi có hỏi ý kiến bác sĩ biết mình đang làm gì không và có tỷ lệ thành công là 60% so với bác sĩ không có đầu mối nhưng có tỷ lệ thành công là 100%;)

— blubb

Bạn có thể quan tâm đến 'Mô hình thống kê - Hai nền văn hóa' của Leo Breiman, trong đó điều này được đề cập sâu sắc ( công nhận.su / wiki / images / 8/85 / Breiman01stat-ml.pdf ) Hơn nữa, có những lý do cho cách tiếp cận này - - nếu bạn muốn con người giải thích mọi thứ, ví dụ.

— bayerj

@blubb Tôi sẽ tham khảo ý kiến bác sĩ không có đầu mối nhưng tỷ lệ thành công 100% với khoảng tin cậy [98.100] :)

— Simone

Hồ sơ theo dõi học máy trong y sinh chưa được tốt lắm. Thành công ban đầu trong học máy có tín hiệu cao: các khu vực nhận dạng mô hình tỷ lệ nhiễu như nhận dạng mẫu hình ảnh. Tỷ lệ S: N thấp hơn nhiều trong sinh học và khoa học xã hội. Học máy hiệu quả phù hợp với rất nhiều tương tác giữa các yếu tố dự đoán và để làm được điều đó, bạn phải có cỡ mẫu rất lớn hoặc tỷ lệ S: N rất cao. Xem thuốc có bị mê hoặc bởi học máy không? . Ngoài ra, nhiều học viên của máy học đã hiểu nhầm nhiệm vụ dự đoán là nhiệm vụ phân loại. Xem ở đây để biết thêm.

— Frank Mitchell
nguồn