28、临床数据统计挖掘中的机器学习方法解析

临床数据统计挖掘中的机器学习方法解析

在临床数据统计挖掘领域，机器学习方法发挥着至关重要的作用。下面将详细介绍监督学习、无监督学习、半监督学习以及特征选择和降维等关键概念。

监督学习

监督学习是指在给定一组训练案例的输入和正确输出的情况下，DMML 系统学习一个将输入映射到输出的函数，目标是能够预测未来未标记输入实例的输出。初始的标记集 $(x_i, y_i)$（$i = 1, \ldots, N$），其中 $x_i$ 是输入（一个 $p$ 维向量），$y_i$ 是输出，被称为训练集。学习算法会调整其对输入 - 输出关系的内部表示 $\hat{f}(x_i)$，以最小化观察到的输出和预测输出之间的差异度量，例如残差平方和 $RSS = \sum_{i = 1}^{N}(y_i - \hat{f}(x_i))^2$。监督学习问题可进一步分为分类问题（当输出变量是类别时，如轻度、中度、重度）和回归问题（当输出变量是实值时，如血压或体重）。

在医疗保健领域，监督学习有以下常见应用：
1. 患者诊断 ：几十年前就开始出现基于各种患者层面协变量（症状）构建诊断模型的应用。例如，使用基于树的决策规则构建了一个简单的诊断工具，使急诊科医生能够快速评估非创伤性胸痛患者是否可以通过心电图和其他可用标记诊断为心肌梗死。此外，FDA 最近批准的 OsteoDetect 是一种图像处理设备，它使用机器学习技术分析手腕X光片，以识别和突出成人手腕后前位（PA）和侧位（LAT）X光片检查中的桡骨远端骨折。
2. 构建患者未来结果的预测模型 ：可以构建模型来预测安全或疗效结果，这些模型会考虑分配的治疗、治疗开始前可