醫(yī)療保健提供者訂購(gòu)測(cè)試或開藥時(shí)，他們希望對(duì)自己的決定有100%的信心。這意味著能夠根據(jù)患者的反應(yīng)來解釋他們的決定并進(jìn)行研究。隨著人工智能在醫(yī)學(xué)領(lǐng)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(huì)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(yù)測(cè)模型之間發(fā)現(xiàn)一條曾經(jīng)被隱藏的直通車的原因，這為更可靠地在整個(gè)醫(yī)療保健領(lǐng)域進(jìn)一步推廣機(jī)器學(xué)習(xí)打開了大門?，F(xiàn)在在《國(guó)家科學(xué)院院刊》(PNAS)上詳細(xì)介紹了鏈接算法的發(fā)現(xiàn)以及隨后“加法樹”的創(chuàng)建。)。

這項(xiàng)研究的作者之一，賓夕法尼亞大學(xué)計(jì)算機(jī)與信息科學(xué)教授萊爾·恩加爾(Lyle Ungar)博士說：“在醫(yī)學(xué)上，錯(cuò)誤決定的代價(jià)可能很高。” “例如，在其他行業(yè)中，如果一家公司正在決定向消費(fèi)者展示哪個(gè)廣告，他們可能無需再次檢查計(jì)算機(jī)為何選擇了給定廣告。但是在醫(yī)療保健方面，因?yàn)橛锌赡芤藻e(cuò)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(xué)研究助理，賓夕法尼亞醫(yī)學(xué)計(jì)算生物標(biāo)志物成像小組(CBIG)成員Jose Marcio Luna博士以及加州大學(xué)圣路易斯分校放射腫瘤學(xué)助理教授Gilmer Valdes博士領(lǐng)導(dǎo)。弗朗西斯科(Francisco)發(fā)現(xiàn)了一種從零到一的運(yùn)算法則。當(dāng)預(yù)測(cè)模型在算法規(guī)模上設(shè)置為零時(shí)，類似于“梯度提升”模型，其預(yù)測(cè)最準(zhǔn)確，但也最難于解密。將模型設(shè)置為一個(gè)模型時(shí)，盡管預(yù)測(cè)的準(zhǔn)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(guī)模的中間位置開發(fā)了決策樹。

Luna說：“以前，人們分別使用CART和漸變?cè)鰪?qiáng)作為工具箱中的兩個(gè)不同工具。” “但是我們開發(fā)的算法表明它們都存在于頻譜的最末端?？杉有詷涫褂迷擃l譜，因此我們可以兼得兩者：高精度和圖形可解釋性。”

在這項(xiàng)研究中，研究人員發(fā)現(xiàn)，在83個(gè)不同任務(wù)中的55個(gè)中，相加樹顯示出比CART更好的預(yù)測(cè)性能。另一方面，在83個(gè)場(chǎng)景中的46個(gè)場(chǎng)景中，梯度增強(qiáng)在預(yù)測(cè)中表現(xiàn)更好。盡管這并沒有明顯好轉(zhuǎn)，但它確實(shí)表明加法樹具有競(jìng)爭(zhēng)力，同時(shí)仍然更具解釋性。

向前邁進(jìn)，添加劑樹為醫(yī)療保健系統(tǒng)提供了一個(gè)有吸引力的選擇，特別是在對(duì)精密醫(yī)學(xué)的需求日益增加的時(shí)代，尤其是對(duì)于診斷和預(yù)測(cè)的產(chǎn)生。此外，加性樹有潛力幫助在其他高風(fēng)險(xiǎn)領(lǐng)域(例如刑事司法和金融)做出明智的決策，在這些領(lǐng)域中解釋模型可以幫助克服可能的嚴(yán)重風(fēng)險(xiǎn)。