根據(jù)PLOS One上發(fā)表的一項研究，在對50萬英國生物銀行參與者的研究中，包括深度學(xué)習(xí)和隨機森林在內(nèi)的機器學(xué)習(xí)方法極大地提高了諾丁漢大學(xué)團隊預(yù)測過早死亡的能力。

該研究由助理教授兼研究科學(xué)家Stephen F. Weng博士率先進行，旨在通過開發(fā)和報告新穎的預(yù)后模型以補充現(xiàn)有技術(shù)，將機器學(xué)習(xí)整合到傳統(tǒng)的流行病學(xué)工作中。兩年前，同一團隊報告發(fā)現(xiàn)機器學(xué)習(xí)模型可以將心血管疾病預(yù)測的準確性提高約3.6%。

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

對于他們目前的工作，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)計學(xué)數(shù)據(jù)并考慮到生物特征識別，臨床和生活方式因素，開發(fā)了預(yù)測死亡率模型，學(xué)習(xí)，隨機森林和Cox回歸。

根據(jù)研究小組的結(jié)果，將近3%的研究人群在累計隨訪3，508，454人年期間死亡，并且死亡率數(shù)據(jù)與國家記錄相符。基于年齡和性別的Cox模型（一種傳統(tǒng)的風(fēng)險預(yù)測方法）具有最小的預(yù)測性，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)用隨機森林進一步將判別力提高了3.2%，AUC達到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。

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

“研究表明，使用機器學(xué)習(xí)來探索各種個體臨床，人口統(tǒng)計學(xué)，生活方式和環(huán)境風(fēng)險因素的價值，以產(chǎn)生使用標準方法無法實現(xiàn)的新穎而整體的模型，” Weng等人。說過。“這項工作表明，在開發(fā)用于預(yù)后或診斷的模型時，應(yīng)更常規(guī)地考慮使用機器學(xué)習(xí)。”

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

他們寫道：“機器學(xué)習(xí)模型組成的有趣變化可以為潛在的重大風(fēng)險因素提供新的假設(shè)生成，否則這些風(fēng)險因素將無法被發(fā)現(xiàn)。” “然后，可以專門設(shè)計流行病學(xué)研究，并相應(yīng)地進行驗證，以驗證這些信號。”