玻璃盒机器学习用于使用许多患者记录的回顾性队列研究. 复杂的例子是出血的胃潰瘍
1Ingine Inc., Cleveland, OH, USA; Dirac Foundation, Oxfordshire, UK; Advisory Board European Society of Translational Medicine, Austria.
Computers in biology and medicine
|March 21, 2024
概括
玻璃盒机器学习是一种部分监督技术,通过分析复杂的医疗数据,有助于为临床试验选择患者. 这种方法提供了可解释性,补充了个性化医学研究中的深度学习.
科学领域:
- 机器学习 机器学习
- 数据挖掘 数据挖掘
- 医疗信息学 医疗信息学
背景情况:
- 传统的队列研究使用2x2应急表.
- 个性化医疗需要分析复杂的,多维的患者数据.
- 深度学习模型在临床应用中往往缺乏可解释性.
研究的目的:
- 引入玻璃盒机器学习 (GBML) 用于回顾性队列研究.
- 通过结构化医疗记录,加强对临床试验的患者选择.
- 提供可解释的AI方法来补充"黑子"深度学习.
主要方法:
- 应用GBML,一个部分监督的数据挖掘技术,结构化医疗记录.
- 使用"概率知识元素"来取代神经网络权重.
- 将传统的2x2应急表扩展到多维数据结构.
- 使用DOR* (诊断几率比率) 来总结多维数据子结构.
主要成果:
- GBML 便于直接计算具有可解释性的赔率.
- 该方法有助于分析深度学习的方法.
- 在选择候选人参加队列研究和临床试验时的应用.
- 成功应用于复杂的疾病 (出血性胃潰瘍),突出了现实世界的数据挑战.
结论:
- GBML为分析复杂的医疗数据提供了一个可解释的替代方案.
- 这种技术可以改善患者分层和临床试验设计.
- 通过可解释的机器学习,GBML在推进个性化医疗方面表现有前途.


