Quando os profissionais de saúde pedem um teste ou prescrevem um medicamento, eles querem estar 100% confiantes em sua decisão. Isso significa ser capaz de explicar sua decisão e estudá-la dependendo de como o paciente responde. À medida que a pegada da inteligência artificial aumenta na medicina, essa capacidade de verificar o trabalho e seguir o caminho de uma decisão pode ficar um pouco confusa. É por isso que a descoberta de uma linha de passagem antes oculta entre dois modelos preditivos populares usados ​​em inteligência artificial abre muito mais a porta para disseminar com segurança o aprendizado de máquina por toda a área de saúde. A descoberta do algoritmo de ligação e a subsequente criação da "árvore aditiva" está agora detalhada no Proceedings of the National Academy of Sciences ( PNAS )

"Em medicina, o custo de uma decisão errada pode ser muito alto, "disse um dos autores do estudo, Lyle Ungar, PhD, professor de Ciência da Computação e da Informação na Penn. "Em outras indústrias, por exemplo, se uma empresa está decidindo qual anúncio exibir a seus consumidores, eles provavelmente não precisam verificar por que o computador selecionou um determinado anúncio. Mas na área de saúde, já que é possível prejudicar alguém com uma decisão errada, é melhor saber exatamente como e por que uma decisão foi tomada. "

A equipe comandada por José Marcio Luna, PhD, pesquisador associado em Oncologia de Radiação e membro do Computational Biomarker Imaging Group (CBIG) da Penn Medicine, e Gilmer Valdes, PhD, um professor assistente de Oncologia de Radiação na Universidade da Califórnia, São Francisco, descobriu um algoritmo que vai de zero a um em uma escala. Quando um modelo preditivo é definido como zero na escala do algoritmo, suas previsões são mais precisas, mas também mais difíceis de decifrar, semelhantes aos modelos de "aumento de gradiente". Quando um modelo é definido como um, é mais fácil de interpretar, embora as previsões sejam menos precisas, como "árvores de classificação e regressão" (CARTs). Luna e seus coautores posteriormente desenvolveram sua árvore de decisão em algum lugar no meio da escala do algoritmo.

"Anteriormente, as pessoas usaram o CART e o aumento de gradiente separadamente, como duas ferramentas diferentes na caixa de ferramentas, "Luna disse." Mas o algoritmo que desenvolvemos mostra que ambos existem nas extremidades de um espectro. A árvore aditiva usa esse espectro para que obtenhamos o melhor dos dois mundos:alta precisão e interpretabilidade gráfica. "

No estudo, os pesquisadores descobriram que a árvore aditiva apresentou desempenho preditivo superior ao CART em 55 de 83 tarefas diferentes. Na outra extremidade, o aumento de gradiente teve um desempenho melhor na previsão em 46 de 83 cenários. Embora não tenha sido significativamente melhor, mostra que a árvore aditiva era competitiva, embora ainda mais interpretável.

Seguindo em frente, a árvore aditiva oferece uma opção atraente para sistemas de saúde, principalmente para diagnósticos e geração de prognósticos em uma era em que há mais demanda por medicina de precisão. Além disso, a árvore aditiva tem o potencial de ajudar na tomada de decisões informadas em outros domínios de alto risco, como justiça criminal e finanças, onde a interpretação dos modelos pode ajudar a superar possíveis riscos graves.