弗吉尼亚理工大学计算机科学教授DaphneYao希望提高机器学习模型在医学应用中的预测准确性。不准确的预测可能会危及生命。这些预测错误可能导致错误计算患者在急诊室就诊时死亡或幸存癌症的可能性。她的发现最近发表在《医学通讯》期刊上，该期刊致力于发表临床、转化和公共卫生研究所有领域的高质量研究、评论和论文。Yao说，许多临床数据集是不平衡的，因为它们由大多数人口样本主导。在典型的一刀切的机器学习模型范式中，种族和年龄差异可能存在但可能被忽略。Yao和她的研究团队与美国国家医学院院士、德克萨斯大学奥斯汀分校戴尔医学院精神病学和行为科学系教授CharlesB.Nemeroff合作，研究偏见如何在训练数据中影响预测结果，尤其是对代表性不足的患者的影响，例如年轻患者或有色人种患者。“我很高兴能与高级机器学习领域的世界领导者Yao合作，”Nemeroff说。“她和我讨论了这样一个概念，即机器学习的新进展可以应用于临床研究人员经常遇到的问题。”一个非常重要的问题是通常参与临床试验的少数民族人数相对较少。”这导致医学结论主要针对多数群体（欧洲血统的白人患者）得出，这可能不适用于少数群体。“这个新的Nemeroff说：“报告提供了一种提高少数族裔预测准确性的方法。显然，这些发现对改善少数族裔患者的临床护理具有非常重要的意义。”姚的弗吉尼亚理工大学团队由SharminAfrose和WenjiaSong博士组成。计算机科学系的学生和化学工程系的FredW.Bull教授ChangLu。在他们的研究中，他们使用一种新颖的双优先(DP)偏差在两个数据集上试验了四种不同的预后任务为特定种族或年龄组训练自定义模型的校正方法。“我们的工作展示了一种新的AI公平技术，可以纠正预测错误，”四年级学生Song说。耳博士研究包括数字健康和网络安全中的机器学习的学生。“我们的DP方法将少数类的表现提高了38%，并显着减少了不同人口群体之间的预测差异，比其他抽样方法好88%。Song使用Surveillance、Epidemiology和EndOutcomes数据集进行乳腺癌和肺癌生存任务，而五年级博士生。学生Afrose使用波士顿贝斯以色列女执事医疗中心的数据集进行院内死亡率预测和衰老补偿预测任务。“我们很高兴找到了减少偏见的解决方案，”Afrose说，他的研究重点是医疗保健和软件安全中的机器学习。“我们的DP偏差校正技术将减少对少数群体的潜在威胁。对生活的预测是错误的。随着这些发现的发表和开放获取，该团队渴望与其他研究人员合作，在他们自己的临床数据分析中使用这些方法。“我们的方法很容易部署在各种机器学习模型上，”Song说。可以帮助提高任何具有表征偏差的预后任务的性能。“
