När vårdgivare beställer ett test eller skriver ut ett läkemedel, de vill vara 100 procent säkra på sitt beslut. Det innebär att kunna förklara sitt beslut och studera det beroende på hur en patient reagerar. När den artificiella intelligensens fotavtryck ökar inom medicin, att förmågan att kontrollera arbetet och följa vägen för ett beslut kan bli lite grumlig. Det är därför upptäckten av en en gång gömd genomgångslinje mellan två populära prediktiva modeller som används inom artificiell intelligens öppnar dörren mycket bredare för att säkert sprida maskininlärning vidare inom sjukvården. Upptäckten av länkalgoritmen och det efterföljande skapandet av "tillsatsträdet" beskrivs nu i detalj i Proceedings of the National Academy of Sciences ( PNAS ).

"Inom medicin, kostnaden för ett felaktigt beslut kan vara mycket hög, " sa en av studiens författare, Lyle Ungar, PhD, en professor i data- och informationsvetenskap vid Penn. "I andra branscher, till exempel, om ett företag bestämmer vilken reklam som ska visa sina konsumenter, de behöver förmodligen inte dubbelkolla varför datorn valde en viss annons. Men inom vården, eftersom det är möjligt att skada någon med ett felaktigt beslut, det är bäst att veta exakt hur och varför ett beslut togs."

Teamet ledd av Jose Marcio Luna, PhD, en forskarassistent inom strålningsonkologi och medlem av Computational Biomarker Imaging Group (CBIG) vid Penn Medicine, och Gilmer Valdes, PhD, en biträdande professor i strålningsonkologi vid University of California, San Francisco, avslöjat en algoritm som går från noll till ett på en skala. När en prediktiv modell är inställd på noll på algoritmens skala, dess förutsägelser är mest exakta men också svårast att tyda, liknar "gradient boosting"-modeller. När en modell är inställd på ett, det är lättare att tolka, även om förutsägelserna är mindre exakta, som "klassificerings- och regressionsträd" (CARTs). Luna och hans medförfattare utvecklade sedan sitt beslutsträd någonstans i mitten av algoritmens skala.

"Tidigare, människor använde CART och gradientförstärkning separat, som två olika verktyg i verktygslådan, ", sa Luna. "Men algoritmen vi utvecklade visar att de båda finns i de yttersta ändarna av ett spektrum. Additivträdet använder det spektrumet så att vi får det bästa av två världar:hög noggrannhet och grafisk tolkning."

I studien, forskarna fann att tillsatsträdet visade överlägsen prediktiv prestanda jämfört med CART i 55 av 83 olika uppgifter. I andra änden, gradientförstärkning presterade bättre i prognoser i 46 av 83 scenarier. Även om detta inte var nämnvärt bättre, det visar att tillsatsträdet var konkurrenskraftigt samtidigt som det var mer tolkningsbart.

Går vidare, tillsatsträdet ger ett attraktivt alternativ för hälsovårdssystem, speciellt för diagnostik och generering av prognoser i en tid då det finns mer efterfrågan på precisionsmedicin. Vidare, tillsatsträdet har potential att hjälpa till att fatta välgrundade beslut inom andra områden med hög insats som straffrätt och finans, där tolkning av modellerna kan hjälpa till att övervinna eventuella allvarliga risker.