Overzicht

Zelflerende algoritmes zijn meestal onnodig

  • 14 oktober 2022

Bij medisch-wetenschappelijk onderzoek wordt machine learning meestal onnodig of zelfs onjuist toegepast. Dat betogen neurochirurg in opleiding Victor Volovici (Erasmus MC) en enkele collega’s in Nature Medicine.

Zijn onderzoek gaat met name over ongesuperviseerde deep learning-algoritmes, die zelf zonder expliciete instructies patronen zoeken in een grote dataset. ‘Machine learning is tot op zekere hoogte altijd een black box en gaat vaak niet samen met klinisch redeneren, stelt Volovici. Het voegt volgens hem vaak weinig toe aan gewone statistische methoden. Eerder onderzoek liet geen voordeel zien van machine learning over een regressieanalyse, een veelgebruikte statistische methode om een predictiemodel te ontwikkelen.

De onderzoekers adviseren dat wetenschappers de keuze tussen machine learning en een gewone statistische methode al maken voordat de data worden verzameld. ‘Bij prospectief onderzoek is vooraf nagedacht over de analyse en welke variabelen nodig zijn, toegespitst op de ziekte die je wilt voorspellen. Belangrijk is externe validatie: kan het algoritme een ziekte even goed voorspellen als het geconfronteerd wordt met een nieuwe, externe dataset? Behalve goedgekozen variabelen is een grote dataset een voorwaarde. Eerder onderzoek liet zien dat data van minimaal vier tot vijfduizend ­patiënten nodig zijn omdat de gemeten effecten vaak klein zijn. Zie hier ook het artikel over kunstmatige intelligentie.

Bron: Medisch Contact