یادگیری ماشین خودکار: مروری بر به روز ترین فناوری ها و فرصت ها برای مراقبت های بهداشتی

هدف: این تحقیق با هدف ارائه مروری بر پژوهش های موجود در زمینه یادگیری ماشین خودکار (AutoML) برای کمک به متخصصان مراقبت های بهداشتی در استفاده بهتر از مدلهای یادگیری ماشینی با تخصص محدود در علم داده انجام شده است . علاوه بر این ، ما فرصت ها و موانع بالقوه استفاده از AutoML در مراقبت های بهداشتی و همچنین کاربردهای موجود AutoML در مراقبت های بهداشتی را شناسایی می کنیم .روشها: مقالات منتشر شده همراه با کد که فعالیت های انجام شده در زمینه AutoML را از منظر علم رایانه یا انفورماتیک زیست پزشکی توصیف می کنند، بررسی شده اند. همچنین خلاصه ای کوتاه از یک سری چالش های AutoML که توسط ChaLearn میزبانی شدهاند، ارائه می کنیم .نتایج : بررسی ۱۰۱ مقاله در زمینه AutoML نشان داد که این تکنیک های خودکار می توانند عملکرد انسان متخصص را در برخی وظایف یادگیری ماشین ، اغلب در مدت زمان کوتاهتری ، مطابقت دهند یا بهبود بخشند. محدودیت اصلی AutoML در این مرحله ، توانایی فعالیت موثر این سیستم ها در مقیاس بزرگ، یعنی فراتر از مجموعه داده های گذشته نگر کوچک و متوسط است .بحث : کاربرد تکنیک های یادگیری ماشین پتانسیل اثبات شده ای برای بهبود نتایج سلامت ، کاهش هزینه های مراقبت های بهداشتی و پیشبرد تحقیقات بالینی دارد. با این حال، در حال حاضر اکثر بیمارستان ها راه حل های یادگیری ماشین را به کار نمی گیرند. یکی از دلایل این امر، این است که متخصصان مراقبت های بهداشتی اغلب فاقد تخصص یادگیری ماشین هستند که برای ساخت یک مدل موفق ، کاربرد آن در تولید و ادغام آن با جریان کار بالینی لازم است . به منظور تسهیل کاربرد تکنیک های یادگیری ماشین و کاهش تقاضا برای متخصصان انسانی ، یادگیری ماشین خودکار (AutoML) به عنوان یک زمینه در حال رشد ظهور کرده است که به دنبال انتخاب، ترکیب و پارامترسازی خودکار مدلهای یادگیری ماشین است تا به عملکرد بهینه در یک فعالیت یا مجموعه داده معین برسد.نتیجه گیری : در حالی که قبلا کاربردهایی از AutoML در حوزه مراقبت های بهداشتی وجود داشته است ، پذیرش گسترده AutoML در مراقبت های بهداشتی نیازمند اقدامات بیشتر است .

کلیدواژه ها:

یادگیری ماشین ، یادگیری عمیق ، یادگیری ماشین خودکار ، AoutoML ، مراقبت های بهداشتی