Сравнение различных алгоритмов машинного обучения с учителем для прогнозирования заболеваний

Введение: Алгоритмы машинного обучения с учителем стали доминирующим методом в области интеллектуального анализа данных. Прогнозирование заболеваний на основе медицинских данных недавно стало перспективным направлением применения этих методов. Целью настоящего исследования было выявить основные тенденции использования различных типов алгоритмов машинного обучения с учителем, а также оценить их эффективность и распространённость при прогнозировании риска заболеваний.

Методы: Был проведён масштабный поиск исследований, в которых для прогнозирования одного заболевания применяли более одного алгоритма машинного обучения с учителем. Поиск по различным вариантам поисковых запросов выполняли в двух базах данных — Scopus и PubMed. Всего для сравнения различных алгоритмов машинного обучения с учителем при прогнозировании заболеваний были отобраны 48 статей.

Результаты: Наиболее часто применяли алгоритм метода опорных векторов (SVM) — в 29 исследованиях, за ним следовал наивный байесовский классификатор — в 23 исследованиях. Однако алгоритм случайного леса (RF) продемонстрировал сравнительно более высокую точность. В 9 из 17 исследований, где применяли RF, он показал наивысшую точность — 53%. Далее следовал SVM, продемонстрировавший наилучшие результаты в 41% исследований, в которых его оценивали.

Выводы: Исследование представляет широкий обзор относительной эффективности различных алгоритмов машинного обучения с учителем при прогнозировании заболеваний. Эти сведения об относительной эффективности могут помочь исследователям выбрать подходящий алгоритм машинного обучения с учителем для своих исследований.