[生物医学]Cell综述深度解读!机器学习如何带来生物医学研究的变革!( 二 )


生物医学机器学习的应用也需要严格的评估方法 , 特别是在需要持续学习的环境中 , 在研究者看来 , 机器学习系统的性能最好是通过其预测的准确性来衡量 , 研究人员提出了一种迭代的机器学习方法 , 包括使用回顾性数据进行训练、算法锁定和部署 , 然后根据部署期间获得的预测评估应用程序的准确性;在部署期间收集的数据加上附加或更大的回顾性数据集就能用于重新培训和算法优化 , 然后就是后续的部署评估周期 , 评估持续性的学习系统可能就需要收紧整个循环和数据的使用 , 比如我们所设想的健康监测必须适应健康状况或习惯的变化;不仅要对准确性进行量化 , 还要对置信区间进行量化 , 这一点至关重要 , 因为机器学习的某些用途要比其它用途更能容忍不准确的预测 , 而且置信区间可以被医生用来为决策提供信息 , 由于大多数诊断和治疗测试推测模型和数据是固定的 , 因此迭代训练和部署机器学习应用程序就会带来监管方面的挑战 。 当模型能够根据新的数据进行更新或适应新的诊断或疗法时 , 研究人员就需要评估以确保预测的准确性 , 为了确保对生物医学机器学习应用的强大评估 , 研究人员就需要多模式、可扩展和纵向的真实或模拟数据集 。
尽管上述挑战是非常巨大的 , 但研究人员乐观地认为他们能够克服这些困难 , 此外 , 研究人员认为这些努力也是值得的 , 因为成功能带来一个严谨的、以结果为基础的医学未来 , 检测、诊断和疗法策略将会通过机器学习手段不断适应个体和环境的差异 , 从而实现人类健康的全面管理 。 (生物谷Bioon.com)
参考资料:
【[生物医学]Cell综述深度解读!机器学习如何带来生物医学研究的变革!】 Jeremy Goecks, Vahid Jalili, Laura M. Heiser,et al. How Machine Learning Will Transform Biomedicine, Cell, 2 April 2020, Pages 92-101, doi:10.1016/j.cell.2020.03.022