Škálovateľné kauzálne-interpretovateľné strojové učenie pre predscreening rakoviny pomocou elektronických zdravotných záznamov

Elektronické zdravotné záznamy obsahujú cenné informácie pre predpovedanie rizika ochorení, ale mnohé modely strojového učenia sa učia skryté vzťahy, ktoré sú ťažko pochopiteľné pre klinické rozhodovanie. Výskumný tím vyvinul UPEBNL, nový rámec založený na kauzálnych Bayesovských sieťach, ktorý umožňuje škálovateľné a interpretovateľné učenie z rozsiahlych zdravotných údajov. Metóda kombinuje adaptívne delenie údajov, kvalitou riadené spájanie štruktúr a globálnu konštrukciu orientovaných acyklických grafov. V simuláciách s vysokodimenzionálnymi údajmi a miliónmi vzoriek UPEBNL zlepšil presnosť obnovy štruktúry o takmer 40 percent a dosiahol až 221-násobné zrýchlenie v porovnaní s konvenčnými prístupmi. Pri aplikácii na predscreening rakoviny pažeráka a hrubého čreva model dosiahol validačné hodnoty AUC 0,8171 a 0,784. Výsledky naznačujú, že táto metóda môže podporiť interpretovateľný predscreening rakoviny z rozsiahlych elektronických zdravotných záznamov.