加法树模型可以扩展医学中的机器学习吗

医疗保健提供者订购测试或开药时，他们希望对自己的决定有100%的信心。这意味着能够根据患者的反应来解释他们的决定并进行研究。随着人工智能在医学领域的足迹不断增加，检查工作和遵循决策路径的能力可能会变得有些混乱。这就是为什么在人工智能中使用的两种流行的预测模型之间发现一条曾经被隐藏的直通车的原因，这为更可靠地在整个医疗保健领域进一步推广机器学习打开了大门。现在在《国家科学院院刊》(PNAS)上详细介绍了链接算法的发现以及随后“加法树”的创建。)。

这项研究的作者之一，宾夕法尼亚大学计算机与信息科学教授莱尔·恩加尔(Lyle Ungar)博士说：“在医学上，错误决定的代价可能很高。” “例如，在其他行业中，如果一家公司正在决定向消费者展示哪个广告，他们可能无需再次检查计算机为何选择了给定广告。但是在医疗保健方面，因为有可能以错误的决定，最好是确切地知道如何以及为什么做出决定。”

该小组由放射肿瘤学研究助理，宾夕法尼亚医学计算生物标志物成像小组(CBIG)成员Jose Marcio Luna博士以及加州大学圣路易斯分校放射肿瘤学助理教授Gilmer Valdes博士领导。弗朗西斯科(Francisco)发现了一种从零到一的运算法则。当预测模型在算法规模上设置为零时，类似于“梯度提升”模型，其预测最准确，但也最难于解密。将模型设置为一个模型时，尽管预测的准确性较差，例如“分类和回归树”(CART)，但更易于解释。Luna及其合作者随后在算法规模的中间位置开发了决策树。

Luna说：“以前，人们分别使用CART和渐变增强作为工具箱中的两个不同工具。” “但是我们开发的算法表明它们都存在于频谱的最末端。可加性树使用该频谱，因此我们可以兼得两者：高精度和图形可解释性。”

在这项研究中，研究人员发现，在83个不同任务中的55个中，相加树显示出比CART更好的预测性能。另一方面，在83个场景中的46个场景中，梯度增强在预测中表现更好。尽管这并没有明显好转，但它确实表明加法树具有竞争力，同时仍然更具解释性。

向前迈进，添加剂树为医疗保健系统提供了一个有吸引力的选择，特别是在对精密医学的需求日益增加的时代，尤其是对于诊断和预测的产生。此外，加性树有潜力帮助在其他高风险领域(例如刑事司法和金融)做出明智的决策，在这些领域中解释模型可以帮助克服可能的严重风险。