医学中的机器学习 实用介绍数据预处理、超参数调优和模型比较的技术.pdf
免费下载
Pfob et
al.
BMC
Medical
Research
Methodology
(2022)
22:282
https://doi.org/10.1186/s12874-022-01758-8
介绍数据预处理、超参数调优和
模型比较的技术
andr<s:1> pfob1,2†，Sheng - Chieh lu2,3†和 Chris
sidy‑Gibbons 2,3*
†
André Pfob and Sheng-Chieh Lu contributed equally to this
work.
*Correspondence: cgibbons@mdanderson.org
3
Section of Patient‑Centered Analytics, The University of Texas MD
Anderson Cancer Center, Houston, TX 77030, USA
Full list of author information is available at the end of the
article
I 简介
过去几年，全球医学界对人工智能(AI)和机器学习(ML)
的兴趣急剧增加。AI/机器学习技术的使用可以通过提供
个性化的结果预测和减少标准化过程中的冗余来改善对
患者的护理，从而使临床医生能够花更多的时间与患者
在一起[1-7]。而协议
摘要
背景:人们越来越热衷于将机器学习(ML)和人工智能(AI)技术应用于临床研究和实践。然而，关于
如何在医学中开发强大的高质量 ML 和 AI 的指导很少。在本文中，我们提供了一个实用的技术
示例，这些技术有助于开发高质量的 ML 系统，包括使用开源软件和数据进行数据预处理、超参
数调优和模型比较。
方法:我们使用开源软件和公开可用的数据集来训练和验证多个 ML 模型，以根据乳房 x 线摄影
图像特征和患者年龄将乳房肿块分类为良性或恶性。我们将算法预测与组织病理学评估的基本事
实进行了比较。我们提供了随附的代码行逐步说明。
研究结果:五种算法在基于乳房 x 线摄影图像特征和患者年龄将乳房肿块分类为良性或恶性方面
的表现在统计学上是相同的(P > 0.05)。弹性净惩罚 logistic 回归的接受者工作特征曲线下面积
(AUROC)为 0.89 (95% CI 0.85 -0.94)，极端梯度增强树为 0.88 (95% CI 0.83 -0.93)，多变量
自适应回归样条算法为 0.88 (95% CI 0.83 -0.93)，支持向量机为 0.89 (95% CI 0.84 -0.93)，
神经网络为 0.89 (95% CI 0.84 -0.93)。解释:我们的论文允许对使用 ML 算法感兴趣的临床医生
和医学研究人员理解和重建全面 ML 分析的要素。遵循我们的说明可能有助于提高医学 ML 研
究中的模型泛化性和可重复性。
关键词:机器学习，人工智能，指南，医学
医学中的机器学习:实用
使用 AI/机器学习技术进行临床试验的报告指南最
近已经发表(consortium -AI[8]和 SPIRIT-AI[9])，关
于如何在医学背景下实际开发机器学习模型的高质
量指导并不丰富。不幸的是，尽管人们对这一领域
非常感兴趣，但仍有许多医疗 AI 的例子尚未得到
严格开发，这使得如何实际开发这些具有临床研究
和实践高度兴趣的模型成为最佳实践案例研究
[10,11]。
我们的小组之前发表了一篇关于医学 ML 的介绍性
论文，解释了 ML 的一般概念，并给出了使用开源
R 统计编程软件和开源数据[12]构建 ML 算法的实
用介绍。在目前的手稿中，我们在这个介绍的基础
上解释了一些更多的技术，包括数据预处理、超参
数调优和模型比较——通过使用开源软件和数据的
例子。这些步骤不仅对提高 ML 算法的性能至关重
要，而且对确保更好的泛化性和对这些算法提供平
衡的评估也至关重要。对于感兴趣的读者，本系列
中还有另一篇论文涵盖了自然语言在医学 AI 研究
中的使用 b[13]。
简而言之，数据预处理包括两大类:数据清洗和特征
工程。数据清洗是去除重复的、不正确的和不相关
的数据以及处理缺失数据的过程，这需要对数据、
收集数据的上下文以及将使用模型的上下文有实质
性的了解。因此，需要临床医生和数据科学家之间
的多学科合作来充分清理数据。特征工程使用各种
统计方法来准备数据，ML 算法可以更好地利用这
些数据。常见的特征工程程序包括数据归一化、转
换、特征选择、降维和数据类型转换，以满足 ML
算法[14]的先决条件。
机器学习算法都有所谓的超参数来控制特定算法的
配置。超参数可以分为优化超参数和模型超参数，
前者通常控制整个训练过程(例如学习率)，后者指
定特定的算法算法架构(例如，神经网络中的层数)。
与直接从训练过程中的数据中获得的模型参数相反，
超参数是手动预先指定的，并且通常可以在不同的
模型中变化。超参数是特定数据集上给定任务的模
型性能的关键。识别超参数的最佳组
合的过程，即所谓的模型调优或优化，通常会使
ML 算法的计算成本很高。然后在独立于训练数据
集[15]的验证数据集上评估调优后的模型。
最后，我们经常想知道哪个模型表现最好。我们进
行统计测试，将不同的模型相互比较，从而评估模
型性能的差异是否在统计上具有显著性。可能在某
些情况下，我们不一定希望在测试数据集上部署具
有最佳性能的算法，以提高泛化性并使其易于实现。
例如，我们可能会从性能最好的模型中选择具有一
定程度性能的最简单模型。我们还可以优先考虑其
他方面，包括模型输出是否易于解释。
这篇论文将会实现什
么
在本文中，我们将提供一个使用开源软件和数据的
最佳实践 ML 技术的实际示例，如数据预处理，超
参数调优和模型比较。我们的论文主要针对医学研
究人员和从业人员，他们对使用和开发 ML 算法进
行分析感兴趣，并且正在寻找如何自行执行全面
ML 分析的指导。
如何阅读这篇论文
本文提供了如何执行 ML 分析的分步说明，从数据
准备开始，以模型评估结束。我们在整篇论文中提
供了使用开源 R 统计编程语言的示例代码(完整的代
码可在补充附录中获得)。我们建议不熟悉 R 编程语
言的读者先阅读我们的介绍性论文，该论文提供了
如何使用和设置 R[12]的指导。我们使用了开源数
据进行分析，这些数据可以在 UCI 机器学习存储库
(“乳房 x 光片质量”数据集)[16]上免费获得。
材料和方法
数据
集
我们使用了 UCI 机器学习存储库[16]上免费提供的
开源数据。“乳房 x 光图像质量”数据集包含来自
961 名接受乳房 x 光检查以评估不明确乳房病变的
患者的匿名数据。提供了乳房 x 光图像特征(病变形
状、病变边缘、密度)、患者年龄和组织病理学评估
结果(金标准，良性或恶性)。961 例患者中，516 例
(53.7%)为乳腺良性病变，445 例
Page 2 of
15
Pfob et
al.
BMC
Medical
Research
Methodology
(2022)
22:282
of 17
免费下载
【版权声明】本文为墨天轮用户原创内容，转载时必须标注文档的来源（墨天轮），文档链接，文档作者等基本信息，否则作者和墨天轮有权追究责任。如果您发现墨天轮中有涉嫌抄袭或者侵权的内容，欢迎发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。
下载排行榜
文档被以下合辑收录
评论