Lorsque les fournisseurs de soins de santé commandent un test ou prescrivent un médicament, ils veulent avoir confiance à 100 pour cent dans leur décision. Cela signifie être capable d'expliquer sa décision et de l'étudier en fonction de la réaction du patient. Alors que l'empreinte de l'intelligence artificielle augmente en médecine, cette capacité de vérifier le travail et de suivre le chemin d'une décision peut devenir un peu confuse. C'est pourquoi la découverte d'une ligne de démarcation autrefois cachée entre deux modèles prédictifs populaires utilisés dans l'intelligence artificielle ouvre la porte beaucoup plus large pour diffuser en toute confiance l'apprentissage automatique dans l'ensemble des soins de santé. La découverte de l'algorithme de liaison et la création subséquente de "l'arbre additif" est maintenant détaillée dans le Actes de l'Académie nationale des sciences ( PNAS ).

"En médecine, le coût d'une mauvaise décision peut être très élevé, " a déclaré l'un des auteurs de l'étude, Lyle Ungar, Doctorat, professeur d'informatique et de sciences de l'information à Penn. « Dans d'autres secteurs, par exemple, si une entreprise décide quelle publicité montrer à ses consommateurs, ils n'ont probablement pas besoin de vérifier pourquoi l'ordinateur a sélectionné une annonce donnée. Mais dans les soins de santé, puisqu'il est possible de nuire à quelqu'un avec une mauvaise décision, il est préférable de savoir exactement comment et pourquoi une décision a été prise."

L'équipe dirigée par José Marcio Luna, Doctorat, associé de recherche en radio-oncologie et membre du Computational Biomarker Imaging Group (CBIG) à Penn Medicine, et Gilmer Valdès, Doctorat, professeur adjoint de radio-oncologie à l'Université de Californie, San Francisco, découvert un algorithme qui va de zéro à un sur une échelle. Lorsqu'un modèle prédictif est mis à zéro sur l'échelle de l'algorithme, ses prédictions sont les plus précises mais aussi les plus difficiles à déchiffrer, similaire aux modèles « d'amplification de gradient ». Lorsqu'un modèle est défini sur un, il est plus facile à interpréter, bien que les prédictions soient moins précises, comme les "arbres de classification et de régression" (CART). Luna et ses co-auteurs ont ensuite développé leur arbre de décision quelque part au milieu de l'échelle de l'algorithme.

"Précédemment, les gens ont utilisé le CART et l'amplification de gradient séparément, comme deux outils différents dans la boîte à outils, " dit Luna. " Mais l'algorithme que nous avons développé montre qu'ils existent tous les deux aux extrémités d'un spectre. L'arbre additif utilise ce spectre afin que nous obtenions le meilleur des deux mondes :haute précision et interprétabilité graphique. »

Dans l'étude, les chercheurs ont découvert que l'arbre additif présentait des performances prédictives supérieures à CART dans 55 des 83 tâches différentes. De l'autre côté, l'amplification du gradient a donné de meilleurs résultats dans la prédiction dans 46 des 83 scénarios. Bien que ce n'était pas significativement mieux, cela montre que l'arbre additif était compétitif tout en étant plus interprétable.

Avancer, l'arbre additif offre une option intéressante pour les systèmes de soins de santé, en particulier pour le diagnostic et la génération de pronostics à une époque où la demande de médecine de précision est plus forte. Par ailleurs, l'arbre additif a le potentiel d'aider à prendre des décisions éclairées dans d'autres domaines à enjeux élevés tels que la justice pénale et la finance, où l'interprétation des modèles pourrait aider à surmonter d'éventuels risques graves.