Автоматизированное машинное обучение: обзор современного состояния и перспективы применения в здравоохранении

ЦЕЛЬ: Целью данной работы является обзор существующей литературы в области автоматизированного машинного обучения (AutoML), призванный помочь медицинским специалистам более эффективно использовать готовые модели машинного обучения при ограниченной компетентности в области анализа данных. Мы также рассматриваем потенциальные возможности и барьеры для применения AutoML в здравоохранении, а также существующие приложения AutoML в этой сфере. МЕТОДЫ: Были проанализированы опубликованные работы, сопровождаемые программным кодом, посвящённые AutoML с точки зрения компьютерных наук или биомедицинской информатики. Кроме того, приведено краткое резюме серии конкурсов по AutoML, организованных ChaLearn. РЕЗУЛЬТАТЫ: Обзор 101 публикации по AutoML показал, что эти автоматизированные методы в определённых задачах машинного обучения способны соответствовать результатам экспертов или превосходить их, зачастую за более короткое время. Основным ограничением AutoML на данном этапе является обеспечение эффективной работы таких систем в крупномасштабных условиях, то есть за пределами небольших и средних ретроспективных наборов данных. ОБСУЖДЕНИЕ: Применение методов машинного обучения обладает доказанным потенциалом для улучшения показателей здоровья, снижения затрат на здравоохранение и развития клинических исследований. Однако в настоящее время большинство больниц не внедряют решения на основе машинного обучения. Одна из причин заключается в том, что медицинским специалистам часто не хватает знаний в области машинного обучения, необходимых для построения успешной модели, её развертывания в рабочей среде и интеграции в клинический рабочий процесс. Чтобы упростить применение методов машинного обучения и снизить потребность в специалистах-экспертах, автоматизированное машинное обучение (AutoML) стало активно развивающейся областью, направленной на автоматический выбор, комбинирование и параметризацию моделей машинного обучения для достижения оптимальной производительности на заданной задаче и/или наборе данных. ЗАКЛЮЧЕНИЕ: Хотя в сфере здравоохранения уже существуют отдельные примеры применения AutoML, необходимы дальнейшие исследования, чтобы обеспечить ...