Многие люди думают о роботах, когда слышат термин «искусственный интеллект (ИИ)». Однако в случае нового исследования рака легких и бронхов (LBC) в США ИИ ссылается на различные модели машинного обучения, объединенные вместе, чтобы делать высокоуровневые прогнозы смертности от LBC.
Исследователи из Университета Буффало Зия У. Ахмед, Канг Сун, Майкл Шелли и Лина Му выступили авторами нового исследования, в котором с помощью объяснимого искусственного интеллекта , или XAI , определяются ключевые факторы риска смертности LBC. В то время как распространенность курения, бедность и возвышение сообщества были наиболее важными для прогнозирования уровня смертности LBC среди изученных факторов риска, было обнаружено, что связи между факторами риска и уровнем смертности LBC различаются в пространстве, и в исследовании изучались эти географические различия.
Статья «Объяснимый искусственный интеллект для изучения пространственной изменчивости показателей смертности от рака легких и бронхов в континентальной части США» была опубликована в журнале Scientific Reports в декабре 2021 года.
Исследование объединило междисциплинарную команду. Ахмед, доктор философии, специалист по базам данных/визуализации в Институте UB RENEW; Сан, доктор философии, является одним из основных преподавателей Института UB RENEW и доцентом гражданской, структурной и экологической инженерии в Школе инженерии и прикладных наук Университета Калифорнии; Шелли, доктор философии, экономист-эколог в Институте UB RENEW; и Му, доктор философии, доктор медицинских наук, является адъюнкт-профессором эпидемиологии и гигиены окружающей среды в Школе общественного здравоохранения и медицинских профессий UB.
Ахмед говорит о важности изучения и исследований: «Результаты имеют значение, поскольку США представляют собой пространственно неоднородную среду. Существует большое разнообразие социально-экономических факторов и уровней образования — по сути, один размер не подходит всем. Здесь локальная интерпретация машины модели обучения важнее, чем глобальная интерпретация».
Он добавляет, что результаты могут быть полезны для управления и вмешательства в области общественного здравоохранения, поскольку указывают, какие области нуждаются в поддержке.
«Мы хотели, чтобы модель объяснила, как связаны известные показатели смертности от LBC и предикторы факторов риска», — говорит Сан.
«Исследование может стать моделью интеграции искусственного интеллекта в эпидемиологическое исследование», — говорит Му. «Это также может служить примером использования моделей прогнозирования при изучении рака. Это может очень помочь в выявлении областей высокого риска, где регистр раковых заболеваний недоступен».
В исследовании было объединено ансамблевое машинное обучение с объяснимыми алгоритмами для пространственного представления взаимосвязей между смертностью от LBC и факторами риска в США, что ознаменовало собой прогресс в этой области исследований. Алгоритмы ИИ лучше работают с большим количеством данных с несколькими моделями, поэтому стек-ансамбль более полезен, чем любая отдельная модель.
«XAI в местной интерпретации все еще отсутствует, особенно в отношении окружающей среды и науки», — говорит Ахмед.
ИИ — это мощный инструмент, потому что модели учатся на данных, что позволяет им обрабатывать сложные взаимодействия и отношения. Модели могут «думать» сами по себе.
Факторы риска, которые изучались в исследовании, учитывали переменные, связанные с образом жизни, социально-экономическим статусом, демографией, загрязнением воздуха и физической средой. Они включали курение сигарет, уровень бедности, медицинское страхование, демографию, загрязнение воздуха и биофизические факторы.
В исследовании отмечается, что уровень курения был связан с уровнем бедности и расовой/этнической принадлежностью. В исследовании также отмечается тесная связь между социально-экономическим статусом и уровнем смертности от LBC в США.
Что касается загрязнения воздуха, исследователи изучили загрязняющие вещества диоксид азота (NO 2 ), диоксид серы (SO2), озон и твердые частицы, а также их пространственную изменчивость в отношении уровня смертности от рака легких и бронхов.
