Estás leyendo la publicación: CMU Researchers Open-Source ‘auton-survival’: un repositorio completo de código Python de herramientas de aprendizaje automático fáciles de usar para trabajar con datos censurados de tiempo hasta el evento
El aprendizaje automático se está utilizando en casi todas las industrias, incluida la atención médica. Sin embargo, debido a la complejidad intrínseca de los datos de atención médica, el aprendizaje automático clásico enfrenta varias dificultades al tratar con estos datos. Esto se debe a que los resultados de atención médica como la mortalidad, el accidente cerebrovascular, el inicio del cáncer y el reingreso suelen tener un tiempo continuo hasta los eventos. Dado que los datos de tiempo hasta el evento frecuentemente contienen individuos cuyos resultados faltan o están censurados debido a la pérdida de seguimiento, manejar este tipo de datos es mucho más difícil. Los investigadores han establecido que los métodos tradicionales de clasificación y regresión no ofrecen una solución simple para manejar tales datos clínicos.
Muchos investigadores se han interesado en aplicar redes neuronales profundas, que pueden usarse para crear representaciones no lineales de clin complejas.
Un nuevo estudio realizado por Auton Lab en la Universidad Carnegie Mellon presentó el paquete auton-survival, una completa biblioteca Python de herramientas fáciles de usar para aplicaciones de aprendizaje automático en presencia de datos censurados de tiempo hasta el evento.
Auton-survival ofrece un conjunto único de procesos que permiten una variedad de experimentos, desde el preprocesamiento de datos y el modelado de regresión hasta la evaluación de modelos. Auton-survival también emplea una API similar a scikit-learn, lo que facilita que los usuarios que ya están familiarizados con las funciones de aprendizaje automático de Python la adopten.
Para respaldar la creación rápida de prototipos, auton-survival incluye documentación extensa para utilidades y cuadernos de código de muestra. El programa de aprendizaje automático repetible para la investigación del cuidado de la salud, auton-survival, es de código abierto y está alojado en GitHub.
El aprendizaje automático tradicional se enfrenta a varias dificultades debido a los datos multimodales complejos, que se ven con frecuencia en el cuidado de la salud y otras aplicaciones. El equipo creía que las redes neuronales profundas y el aprendizaje de representaciones podían modelar datos tan complejos utilizando una interfaz de supervivencia fácil de usar para el usuario automático.
Extensiones basadas en aprendizaje de representación profunda para el modelo de riesgos proporcionales de Cox (CPH), modelos de regresión de supervivencia de variables latentes, mezclas de Cox profundas (DCM) y máquinas de supervivencia profunda (DSM), que modelan la distribución del tiempo hasta el evento como un tamaño fijo mezcla, facilitan los supuestos estrictos de riesgos proporcionales. El equipo también se centró en la cuestión de debilitar los supuestos restrictivos del modelo de riesgos proporcionales mediante el uso de tiempo discreto y técnicas adversarias y paramétricas.
El paquete incluye una práctica clase SurvivalModel que facilita la experimentación rápida con una API unificada que encapsula varios estimadores de regresión alternativos. Junto con los modelos mencionados anteriormente, la clase SurvivalModel también contiene el conocido modelo de supervivencia no paramétrico conocido como Random Survival Forests (RSF).
Las herramientas Python existentes para el aprendizaje automático y el análisis de supervivencia se han utilizado para tomar decisiones de arquitectura de software en la supervivencia automática.
Proporciona funciones para pruebas rápidas con varias clases de modelos de regresión de supervivencia y métricas asociadas para evaluar el poder discriminativo y la calibración del modelo. Además, auton-survival ofrece las únicas API fáciles de usar para la estimación del tratamiento y los efectos contrafactuales, así como el descubrimiento de subgrupos, para abordar los siguientes problemas del mundo real que requieren tiempo hasta los eventos censurados:
- Estimación de Efectos Contradictorios y Terapéuticos
- Uso de covariables variables en el tiempo en la regresión de supervivencia
- Evaluación de Subgrupos y Fenotipos
Los investigadores esperan que su trabajo permita a las comunidades de aprendizaje automático y atención médica mejorar aún más la recopilación de metodologías de regresión de supervivencia de código abierto que pueden respaldar el análisis reproducible de datos censurados de tiempo hasta el evento.
Este artículo está escrito como un artículo de resumen de investigación por el personal de Marktechpost basado en el trabajo de investigación ‘auton-survival: un paquete de código abierto para regresión, estimación contrafactual, evaluación y fenotipado con datos de tiempo hasta el evento censurados‘. Todo el crédito de esta investigación es para los investigadores de este proyecto. Revisar la papel, paquete y artículo de referencia.
Por favor no olvides unirte Nuestro subreddit de ML
Echa un vistazo a https://aitoolsclub.com para encontrar 100 de Cool AI Tools
