医学研究中的自动机器学习:一个系统的文献映射研究
Giovanna A Castro1, Luiza G Barioto1, Yu H Cao1
1Department of Computer Science (DComp), Federal University of São Carlos (UFSCar), Sorocaba, 18052-780, São Paulo, Brazil.
Artificial intelligence in medicine
|November 22, 2025
概括
自动机器学习 (AutoML) 通过自动化机器学习管道来提高医疗保健效率. 在模型选择和数据预处理方面仍然存在挑战,可解释AI (XAI) 集成正在增长,以解决可解释性.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 机器学习应用 机器学习应用
背景情况:
- 机器学习 (ML) 在医疗保健中至关重要,但需要专门的专业知识和时间.
- 自动机器学习 (AutoML) 通过自动化管道步骤,简化了将机器学习集成到临床工作流程中.
- 这项研究对医学中AutoML应用的文献进行了映射.
研究的目的:
- 系统地绘制和分析AutoML在医疗保健中的应用.
- 识别常见的AutoML任务,数据类型和挑战.
- 评估可解释AI (XAI) 与AutoML在医学研究中的整合.
主要方法:
- 在多个学术数据库中系统地绘制文献映射.
- 分析了2016年至2025年间发表的244项研究.
- 研究按应用 (诊断,预后),数据类型 (表格,图像) 和ML任务 (分类,回归) 分类.
主要成果:
- 自动ML主要用于诊断 (52.8%) 和预后 (31.9%),主要使用表格 (43.4%) 和图像 (31.5%) 数据.
- 分类任务 (81.1%) 最常见. 模型选择 (25.3%) 和数据预处理 (13.7%) 是主要的挑战.
- 可解释性AI (XAI) 的采用正在增加 (30.7%),在2024年显著上升,这表明解决AutoML的"黑子"性质的趋势.
结论:
- 自动ML在医学中的采用正在扩大,但其缺乏可解释性阻碍了关键应用.
- 整合可解释AI (XAI) 与AutoML是一个不断增长的趋势,以增强信任和临床实用性.
- 需要进一步的研究来评估AutoML和XAI结合方法对决策支持系统的临床影响.
