مقاله کاربرد یادگیری ماشین خودکار در حوزه پزشکی

خلاصه‌ای از مقاله:

اگرچه  روز به روز علاقه به استفاده از یادگیری ماشین (ML) برای حمایت از توسعه دارو افزایش می یابد، اما موانع فنی مرتبط با الگوریتم‌های پیچیده پذیرش گسترده را محدود کرده است. در پاسخ، ما Pharm-AutoML را توسعه داده‌ایم، یک بسته منبع باز پایتون که کاربران را قادر می‌سازد تا ساخت مدل‌های ML را خودکار کرده و نتایج بالینی را به‌ویژه در زمینه مداخلات دارویی پیش‌بینی کنند. به طور خاص، رویکرد ما مراحل خسته کننده را در جریان کار ML ساده می کند، از جمله پیش پردازش داده ها، تنظیم مدل، انتخاب مدل، تجزیه و تحلیل نتایج، و تفسیر مدل. علاوه بر این، بسته منبع باز ما به شناسایی پیش بینی ترین خط لوله یادگیری ماشین در میان فضاهای جستجوی تعریف شده با انتخاب بهترین استراتژی پیش پردازش داده و تنظیم فراپارامترهای مدل ML کمک می کند. این بسته در حال حاضر از وظایف طبقه بندی چند کلاسه پشتیبانی می کند و توابع اضافی در حال توسعه هستند. با استفاده از مجموعه‌ای از پنج مجموعه داده‌های زیست پزشکی در دسترس عموم، نشان می‌دهیم که Pharm-AutoML ما با نشان دادن دقت پیش‌بینی بهبود یافته طبقه‌بندی، از سایر چارچوب‌های یادگیری ماشین ،از جمله H2O با تنظیمات پیش‌فرض، بهتر عمل می‌کند. ما بیشتر نشان می‌دهیم که چگونه می‌توان از روش‌های تفسیر مدل برای کمک به توضیح دقیق خط لوله ML به کاربران نهایی استفاده کرد. Pharm-AutoML به کاربران مبتدی و متخصص پیش بینی های بالینی و بینش های علمی بهبود یافته ای را ارائه می دهد. نکات مهم مطالعه دانش فعلی در مورد موضوع چیست؟

یادگیری ماشین (ML) یک روش قدرتمند برای تجزیه و تحلیل داده های پیچیده مراقبت های بهداشتی است و ML خودکار (AutoML) راهی برای خودکارسازی مراحل خسته کننده در خط لوله ML ارائه می دهد. با این حال، چارچوب‌های AutoML فعلی به دلیل عدم اتوماسیون انتها به انتها خطوط لوله ML، از جمله پیش پردازش داده‌ها و تفسیر مدل، نیازهای محققان زیست دارویی یا بهداشتی را برآورده نمی‌کنند. این مطالعه به چه سؤالی پرداخت؟

Pharm-AutoML برای ارائه یک راه حل AutoML یکپارچه طراحی شده است، که محققان بیودارویی را قادر می سازد ساخت مدل های ML را خودکار کنند، نتایج بالینی را پیش بینی کنند و مدل های ML را تفسیر کنند. این مطالعه چه چیزی به دانش ما اضافه می کند؟

Pharm-AutoML خط لوله ML را از پیش پردازش داده ها، تنظیم مدل، انتخاب مدل، تجزیه و تحلیل نتایج و تفسیر مدل به طور خودکار انجام می دهد. ما نشان می‌دهیم که چنین گردش کار سرتاسری می‌تواند از اجرای فعلی ML و AutoML بهتر عمل کند.

چگونه ممکن است این کشف، توسعه، و/یا درمان دارویی را تغییر دهد؟

Pharm-AutoML به تسریع توسعه، استقرار و تفسیر مدل ML کمک می کند، در نتیجه کاربرد ML را برای پیش بینی نتایج و استخراج بینش در زمینه آزمایشات بالینی و تحقیقات دارویی تسهیل می کند.