Garantizar una importancia de características fiable en la IA de química alimentaria

Área de la Ciencia:

• Química alimentaria
• Inteligencia artificial
• Toxicología

Sus antecedentes:

• La adopción de la IA en química alimentaria está aumentando rápidamente, utilizando métodos como el aprendizaje automático, la regresión logística, los bosques aleatorios y XGBoost.
• Existe una brecha de habilidades significativa en el aprendizaje supervisado, lo que lleva a una mala interpretación de los resultados de los modelos de IA.
• Los modelos de IA actuales se optimizan para la precisión de la predicción, no necesariamente para asociaciones verdaderas, y las importancias de las características a menudo carecen de validación de la verdad fundamental, siendo propensas a sesgos del modelo y de los datos.

Objetivo del estudio:

• Destacar las limitaciones y las posibles interpretaciones erróneas derivadas de la aplicación actual de la IA en química alimentaria, particularmente en lo que respecta al aprendizaje supervisado.
• Proponer un nuevo pipeline basado en estándares para el análisis de IA en química alimentaria para mitigar el sesgo y mejorar la fiabilidad de los conocimientos.
• Demostrar el pipeline propuesto utilizando un estudio de caso de asociación entre microplásticos y cáncer.

Principales métodos:

• El estudio critica el uso de la regresión logística paramétrica en datos no lineales, utilizando un caso de microplásticos y cáncer como ejemplo de inferencia distorsionada.
• Un pipeline propuesto basado en estándares incluye el descubrimiento de estructuras no supervisadas (agrupación de características, selección de características altamente variables).
• Las pruebas de asociación no paramétricas (Spearman con valores p) y las auditorías explícitas de estabilidad de las clasificaciones son partes integrales de la metodología propuesta.

Principales resultados:

• La regresión logística paramétrica sobre datos no lineales demostró distorsionar la inferencia en el estudio de caso de microplásticos y cáncer.
• El pipeline propuesto tiene como objetivo mitigar el sesgo inherente impulsado por las etiquetas en los enfoques de aprendizaje supervisado.
• El enfoque multifacético está diseñado para mejorar la solidez de los conocimientos impulsados por la IA y alinearlos con la comprensión mecanicista.

Conclusiones:

• Las prácticas actuales de IA en química alimentaria, especialmente el aprendizaje supervisado, pueden llevar a interpretaciones erróneas debido a la optimización de la predicción y la falta de validación.
• El pipeline propuesto basado en estándares ofrece un método más robusto y fiable para la aplicación de la IA en química alimentaria.
• La implementación de este enfoque apoya la evaluación de riesgos creíble y la aplicación más segura y eficaz de la IA en el campo.