Por que o uso pouco frequente de técnicas de aprendizado de máquina na biomedicina translacional?

Isso segue uma pergunta anterior. aqui :

Modelo de rede neural para prever o resultado do tratamento

e pode ser considerado para se referir a um aspecto diferente desta pergunta:

Aplicação de técnicas de aprendizado de máquina em estudos clínicos de pequenas amostras

Obrigado a Zach, que sugeriu a publicação.

Coloquei algumas leituras bastante sérias agora no CART, randomForest, Redes Neurais e aprendizado de máquina em geral, aprendi sobre os pacotes WEKA e R, vi e segui as palestras de engenharia de Stanford http://www.ml-class.org/ curso / aula / índice, Eu tenho 3 capítulos em Hastie. Dado o tipo de dados que vemos regularmente em pesquisas clinicamente orientadas - cargas de parâmetros clínicos + cargas de parâmetros bioquímicos + dados de testes de caneta e papel +/- dados de neuroimagem com números pequenos, sinto que estou perdendo alguma coisa. Não estou lendo regularmente sobre técnicas de ML aplicadas na literatura de pesquisa. Minha pergunta é: acabei de me apegar a algo que é duvidoso e, portanto, considerado com suspeita justificada pesquisando clínicos e bioestatísticos que estão bem cientes disso, ou essas técnicas são genuinamente ignoradas ou temidas fora da "análise de negócios"? O que mantém o "nicho"?

machine-learning medicine

— Rosser
fonte

Acho que o problema aqui está mais relacionado ao que você lê do que qualquer outra coisa. O aprendizado de máquina é bastante aplicado na medicina translacional moderna, desde que os modelos de caixa preta sejam aceitáveis para a tarefa.

— Marc Claesen

Respostas:

As técnicas de aprendizado de máquina geralmente carecem de interpretabilidade. Além disso, eles tendem a ser bastante grosseiros do ponto de vista estatístico - por exemplo, redes neurais não fazem suposições sobre os dados de entrada. Tenho a sensação de que muitas pessoas (especialmente se elas têm um forte histórico estatístico) as desprezam.

— bayerj
fonte

Sim, acho que entendi. No entanto, do meu ponto de vista, os métodos estatísticos não são puros nem sujos, apenas a aplicação da lógica aos dados. Se você quer uma pílula para curar alguma coisa, precisa entender as inter-relações e levá-la ao laboratório de biologia molecular. No entanto, se você deseja apenas fazer uma previsão usando métodos de caixa preta (NN / RF) ou de decisão (CART), qual é o problema? Você pode até ter uma ideia. É mais profundo que esnobismo?

— Rosser

Embora a interpretabilidade seja certamente agradável, não tenho certeza se consultaria um médico que sabe o que está fazendo e tem uma taxa de sucesso de 60% em comparação com um médico que não tem idéia, mas tem uma taxa de sucesso de 100%;)

— blubb

Você pode estar interessado na 'Modelagem Estatística - As duas culturas' de Leo Breiman, onde isso é abordado em profundidade ( recognition.su/wiki/images/8/85/Breiman01stat-ml.pdf ) Além disso, há razões para essa abordagem - - se você quer que os humanos interpretem as coisas, por exemplo.

— bayerj

@blubb Gostaria de consultar um médico que não tem idéia, mas 100% de sucesso com um intervalo de confiança [98.100] :) #

— Simone

O histórico de aprendizado de máquina em biomedicina não tem sido muito bom. Os primeiros sucessos no aprendizado de máquina tiveram alto sinal: áreas de reconhecimento de padrões de taxa de ruído, como reconhecimento visual de padrões. A proporção S: N é muito menor em biologia e ciências sociais. O aprendizado de máquina se encaixa efetivamente em muitas interações entre preditores e, para isso, é necessário ter um tamanho de amostra enorme ou uma proporção S: N muito alta. Veja A medicina é hipnotizada pelo aprendizado de máquina? . Além disso, muitos profissionais de aprendizado de máquina entenderam mal as tarefas de previsão como tarefas de classificação. Veja aqui para mais.

— Frank Harrell
fonte