健康研究中的机器学习可重复性:仍有很长的路要走
Reproducibility in machine learning for health research: Still a ways to go.
PubMed 文献 · Sci Transl Med · 2021-01-01
该研究评估了511篇科学论文,涵盖多个机器学习子领域,发现健康领域的机器学习在可重复性指标(如数据集与代码可及性)上明显劣于其他领域,并提出改进建议。
要点
- 健康机器学习论文的可重复性指标落后于其他机器学习子领域。
- 数据集与代码可及性是评估可重复性的重要维度。
- 需采取针对性建议提升健康机器学习的可重复性以保障临床可靠使用。
核心结论
- 健康领域的机器学习在可重复性方面与其他领域相比表现较差,需提出建议加以改进。
研究设计与样本
- 评估511篇科学论文,覆盖多个机器学习子领域,比较健康机器学习与其他领域的可重复性指标。
主要发现
- 健康机器学习在数据集与代码可及性等可重复性指标上明显劣于其他领域。
临床怎么用
- 提示临床使用机器学习模型前应关注数据集与代码是否可获取,以评估可重复性。
以上解读依据论文摘要(全文未开放获取或许可不允许翻译转载)。
原文
Machine learning for health must be reproducible to ensure reliable clinical use. We evaluated 511 scientific papers across several machine learning subfields and found that machine learning for health compared poorly to other areas regarding reproducibility metrics, such as dataset and code accessibility. We propose recommendations to address this problem.
来源:Sci Transl Med,查看原文。版权归原作者所有。
引用
- McDermott MBA, Wang S, Marinsek N, et al. Reproducibility in machine learning for health research: Still a ways to go. Sci Transl Med. 2021. PMID: 33762434. doi:10.1126/scitranslmed.abb1655
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。