В докладе 9 февраля 2023г. будут представлены современные технологии моделирования и аспекты упаковки моделей машинного обучения для их практического применения. В частности, будут представлены:

✅результаты внедрения AutoML подходов при разработке моделей,
✅калибровка результатов для обеспечения интерпретируемости моделей и
✅контроль качества входных данных при применении моделей на практике.

Аннотация:
Факторы, оказывающие влияние на успешное применение моделей машинного обучения включают в себя не только качество итоговых моделей (отсутствие переобучение, способность к обобщению и т.п.), но и дополнительные технологические блоки, обеспечивающие надежность работы моделей с данными реальной клинической практики, воспроизводимость и гибкость моделирования, а также возможность у врача интерпретации результирующих оценок, выдаваемых моделью.

В силу того, что степени корректности и наполняемости данных пациентов из реальной клинической практики зачастую гораздо ниже, чем у данных, собираемых в рамках клинических исследований и испытаний, необходимо обеспечить проверку значений входных данных на предмет соответствия допустимым для модели пределам, а также наличие обязательных для модели признаков. Данная проверка и обратная связь пользователю о выявленных несоответствиях является обязательным блоком при эксплуатации моделей.

Проблема воспроизводимости экспериментов и ускорения этапа моделирования, включающего себя feature engineering и подбор гиперпараметров, характерна для большинства промышленных областей, где внедряют или используют модели машинного обучения. Для медицины и здравоохранения эта проблема особенно актуальна, потому что постановка клинико-практической задачи в контексте машинного обучения нетривиальная процедура, требующая гибкого подхода, а значит неоднократного повторения этапов сбора набора данных, разметки и моделирования, что накладывает требования на возможность воспроизвести достигнутые результаты, а также максимальную автоматизацию для обеспечения рентабельности моделей.

В целях обеспечения востребованности моделей конечными пользователями необходимо обеспечить интерпретируемость, а значит доверие у пользователя к получаемым результатам моделей машинного обучения. Одним из подходов в особенности для «классических» алгоритмов машинного обучения является калибровка итоговых моделей, целью которой является максимальное соответствие оценки рисков наступления целевого события от модели и действительной вероятностью наступления этого события.

ITM-AI.ru Всероссийская конференция по Искусственному интеллекту в здравоохранении и системам поддержки принятия врачебных решений
(https://itm-ai.ru/)✔️пройдет 9-10 февраля 2023, онлайн, https://itm-ai.ru