Quando gli operatori sanitari ordinano un test o prescrivono un medicinale, vogliono essere fiduciosi al 100% nella loro decisione. Ciò significa essere in grado di spiegare la loro decisione e studiarla a seconda di come risponde un paziente. Con l'aumento dell'impronta dell'intelligenza artificiale in medicina, quella capacità di controllare il lavoro e seguire il percorso di una decisione può diventare un po' confusa. Ecco perché la scoperta di una linea di confine un tempo nascosta tra due popolari modelli predittivi utilizzati nell'intelligenza artificiale apre la porta molto più ampia per diffondere ulteriormente con sicurezza l'apprendimento automatico in tutta l'assistenza sanitaria. La scoperta dell'algoritmo di linking e la successiva creazione dell'"albero additivo" è ora dettagliata nel Atti dell'Accademia Nazionale delle Scienze ( PNAS ).

"In medicina, il costo di una decisione sbagliata può essere molto alto, ", ha detto uno degli autori dello studio, Lyle Ungar, dottorato di ricerca, un professore di Informatica e Scienze dell'Informazione a Penn. "In altri settori, Per esempio, se un'azienda decide quale pubblicità mostrare ai propri consumatori, probabilmente non hanno bisogno di ricontrollare il motivo per cui il computer ha selezionato un determinato annuncio. Ma nella sanità poiché è possibile danneggiare qualcuno con una decisione sbagliata, è meglio sapere esattamente come e perché è stata presa una decisione".

La squadra guidata da Jose Marcio Luna, dottorato di ricerca, ricercatore associato in Radiation Oncology e membro del Computational Biomarker Imaging Group (CBIG) presso Penn Medicine, e Gilmer Valdes, dottorato di ricerca, un assistente professore di Radiation Oncology presso l'Università della California, San Francisco, scoperto un algoritmo che va da zero a uno su una scala. Quando un modello predittivo è impostato su zero sulla scala dell'algoritmo, le sue previsioni sono più accurate ma anche più difficili da decifrare, simile ai modelli "gradient boosting". Quando un modello è impostato su uno, è più facile da interpretare, anche se le previsioni sono meno accurate, come "alberi di classificazione e regressione" (CART). Luna e i suoi coautori hanno successivamente sviluppato il loro albero decisionale da qualche parte nel mezzo della scala dell'algoritmo.

"In precedenza, le persone hanno utilizzato CART e il gradient boosting separatamente, come due diversi strumenti nella cassetta degli attrezzi, "Ha detto Luna. "Ma l'algoritmo che abbiamo sviluppato mostra che entrambi esistono agli estremi di uno spettro. L'albero additivo utilizza quello spettro in modo da ottenere il meglio da entrambi i mondi:alta precisione e interpretabilità grafica".

Nello studio, i ricercatori hanno scoperto che l'albero additivo mostrava prestazioni predittive superiori a CART in 55 di 83 compiti diversi. Dall'altra parte, l'aumento del gradiente ha ottenuto risultati migliori nella previsione in 46 di 83 scenari. Anche se questo non era significativamente migliore, mostra che l'albero additivo era competitivo pur essendo più interpretabile.

Andando avanti, l'albero additivo offre un'opzione interessante per i sistemi sanitari, soprattutto per la diagnostica e la generazione di prognosi in un'era in cui c'è più richiesta di medicina di precisione. Per di più, l'albero additivo ha il potenziale per aiutare a prendere decisioni informate in altri domini ad alto rischio come la giustizia penale e la finanza, dove interpretare i modelli potrebbe aiutare a superare possibili gravi rischi.