根據(jù)PLOS One上發(fā)表的一項(xiàng)研究，在對(duì)50萬(wàn)英國(guó)生物銀行參與者的研究中，包括深度學(xué)習(xí)和隨機(jī)森林在內(nèi)的機(jī)器學(xué)習(xí)方法極大地提高了諾丁漢大學(xué)團(tuán)隊(duì)預(yù)測(cè)過(guò)早死亡的能力。

該研究由助理教授兼研究科學(xué)家Stephen F. Weng博士率先進(jìn)行，旨在通過(guò)開發(fā)和報(bào)告新穎的預(yù)后模型以補(bǔ)充現(xiàn)有技術(shù)，將機(jī)器學(xué)習(xí)整合到傳統(tǒng)的流行病學(xué)工作中。兩年前，同一團(tuán)隊(duì)報(bào)告發(fā)現(xiàn)機(jī)器學(xué)習(xí)模型可以將心血管疾病預(yù)測(cè)的準(zhǔn)確性提高約3.6%。

Weng和合著者寫道：“在大數(shù)據(jù)時(shí)代，機(jī)器學(xué)習(xí)可以潛在地改變醫(yī)療保健，提供診斷評(píng)估方法并個(gè)性化與臨床醫(yī)生同等或優(yōu)于臨床醫(yī)生的個(gè)性化治療決策，這令人非常樂(lè)觀?！?“使用機(jī)器學(xué)習(xí)開發(fā)的應(yīng)用程序和算法所面臨的挑戰(zhàn)不僅是增強(qiáng)傳統(tǒng)方法可以實(shí)現(xiàn)的目標(biāo)，而且還要以類似透明和可復(fù)制的方式開發(fā)和報(bào)告它們。”

對(duì)于他們目前的工作，研究人員考慮了502，628名40至69歲的成年人，他們的健康信息已于2006年至2010年期間記錄在UK Biobank中。他們使用人口統(tǒng)計(jì)學(xué)數(shù)據(jù)并考慮到生物特征識(shí)別，臨床和生活方式因素，開發(fā)了預(yù)測(cè)死亡率模型，學(xué)習(xí)，隨機(jī)森林和Cox回歸。

根據(jù)研究小組的結(jié)果，將近3%的研究人群在累計(jì)隨訪3，508，454人年期間死亡，并且死亡率數(shù)據(jù)與國(guó)家記錄相符?；谀挲g和性別的Cox模型（一種傳統(tǒng)的風(fēng)險(xiǎn)預(yù)測(cè)方法）具有最小的預(yù)測(cè)性，曲線下面積（AUC）為0.689，其次是多變量Cox回歸模型，該模型可將6.2%的辨別力提高AUC為0.751。

應(yīng)用隨機(jī)森林進(jìn)一步將判別力提高了3.2%，AUC達(dá)到0.783，深度學(xué)習(xí)模型最成功，從多元Cox回歸方法獲得的辨別力為0.790，再提高了3.9%的判別力。

兩種機(jī)器學(xué)習(xí)算法（分別是隨機(jī)森林和深度學(xué)習(xí)）與準(zhǔn)年齡和性別Cox回歸模型相比，分別提高了9.4%和10.1%的辨別力。雖然兩種機(jī)器學(xué)習(xí)方法都達(dá)到了相似的判別水平并進(jìn)行了很好的校準(zhǔn)，但Cox回歸模型始終高估了風(fēng)險(xiǎn)。

“研究表明，使用機(jī)器學(xué)習(xí)來(lái)探索各種個(gè)體臨床，人口統(tǒng)計(jì)學(xué)，生活方式和環(huán)境風(fēng)險(xiǎn)因素的價(jià)值，以產(chǎn)生使用標(biāo)準(zhǔn)方法無(wú)法實(shí)現(xiàn)的新穎而整體的模型，” Weng等人。說(shuō)過(guò)?！斑@項(xiàng)工作表明，在開發(fā)用于預(yù)后或診斷的模型時(shí)，應(yīng)更常規(guī)地考慮使用機(jī)器學(xué)習(xí)。”

這組作者說(shuō)，下一步包括在更廣泛的人群中驗(yàn)證這些方法，并將其集成到醫(yī)療保健系統(tǒng)中，以及探索其他機(jī)器學(xué)習(xí)模型（例如支持向量機(jī)或梯度提升）如何參與風(fēng)險(xiǎn)預(yù)測(cè)。

他們寫道：“機(jī)器學(xué)習(xí)模型組成的有趣變化可以為潛在的重大風(fēng)險(xiǎn)因素提供新的假設(shè)生成，否則這些風(fēng)險(xiǎn)因素將無(wú)法被發(fā)現(xiàn)?！?“然后，可以專門設(shè)計(jì)流行病學(xué)研究，并相應(yīng)地進(jìn)行驗(yàn)證，以驗(yàn)證這些信號(hào)?！?/p>