用机器学习方法进行神经学研究的常见批评和建议.
Jaime L Speiser1, Wesley T Kerr1, Andreas Ziegler1
1From the Department of Biostatistics and Data Science (J.L.S.), Wake Forest University School of Medicine, Winston-Salem, NC; Department of Neurology and Biomedical Informatics (W.T.K.), University of Pittsburgh, PA; Cardio-CARE (A.Z.), Medizincampus Davos, Switzerland; Department of Cardiology and Population Health Innovation (A.Z.), University Medical Center Hamburg-Eppendorf, Germany; and Department of Mathematics, Statistics and Computer Science (A.Z.), University of KwaZulu-Natal, Berea, Durban, South Africa.
Neurology
|September 5, 2024
概括
研究人员强调了神经学中机器学习 (ML) 研究中常见的批评. 遵循报告准则并让专家参与,可以提高这一领域的机器学习研究的质量和严格性.
科学领域:
- 神经学 神经学
- 生物统计学 生物统计学
- 机器学习 机器学习
背景情况:
- 机器学习 (ML) 方法在神经学研究中越来越多地被用作分析复杂数据集的传统统计方法的替代方案.
- 尽管它们越来越受欢迎,神经学中的许多ML研究并没有完全遵守推的报告准则,导致常见的批评.
研究的目的:
- 识别和详细介绍神经学领域机器学习研究研究中遇到的常见批评.
- 为作者提供可行的建议,以避免这些批评,从而提高ML研究报告的质量和严格性.
主要方法:
- 通过具有神经学和ML专业知识的编辑委员会成员对机器学习研究中常见的批评进行审查.
- 与研究目标,ML术语,研究设计 (样本大小,数据适用性,分析管道,缺失数据处理,不确定性估计) 相关的批评的分类,以及强点/局限性的报告.
- 提供神经学特定的例子和指导,以避免被识别的批评.
主要成果:
- 确定了七个常见的批评,包括研究目标和分析的不整齐,不正确的ML术语,样本大小和数据适用性的不充分证明,ML管道的不充分描述,缺少数据的处理不善,缺乏不确定性估计,以及研究优势和局限性的不平衡报告.
- 建议包括使用特定于ML的报告清单,并让统计学家和ML专家参与研究设计和执行.
结论:
- 遵守报告准则和仔细执行方法对于提高神经学机器学习研究的质量和可解释性至关重要.
- 实施所提供的建议可以帮助研究人员避免常见的陷,使得在神经学研究中更全面地评估ML方法.
- 机器学习在推进神经学方面具有重大潜力,这取决于严格的研究设计和方法和结果的透明报告.
