Traduction: G.M.
J Autism Dev Disord. 2014 Oct 8. [Epub ahead of print]
Applying Machine Learning to Facilitate Autism Diagnostics: Pitfalls and Promises
Author information
- 1Signal Analysis & Interpretation Laboratory (SAIL), University of Southern California, 3710 McClintock Ave., Los Angeles, CA, 90089, USA, dbone@usc.edu
Abstract
Machine
learning has immense potential to enhance diagnostic and intervention
research in the behavioral sciences, and may be especially useful in
investigations involving the highly prevalent and heterogeneous syndrome
of autism spectrum disorder.
However, use of machine learning in the absence of clinical domain
expertise can be tenuous and lead to misinformed conclusions.
L'apprentissage par la machine a un potentiel immense pour améliorer la recherche de diagnostic et d'intervention dans les sciences comportementales, et peut être particulièrement utile dans les enquêtes impliquant le syndrome très répandu et hétérogène de troubles du spectre autistique. Cependant, l'utilisation de l'apprentissage de la machine en l'absence d'expertise dans le domaine clinique peut être ténue et conduire à des conclusions mal informés.
To illustrate this concern, the current paper critically evaluates and attempts to reproduce results from two studies (Wall et al. in Transl Psychiatry 2(4):e100, 2012a; PloS One 7(8), 2012b) that claim to drastically reduce time to diagnose autism using machine learning. Our failure to generate comparable findings to those reported by Wall and colleagues using larger and more balanced data underscores several conceptual and methodological problems associated with these studies.
We conclude with proposed best-practices when using machine learning in autism research, and highlight some especially promising areas for collaborative work at the intersection of computational and behavioral science.
Nous terminons en proposant les meilleures pratiques lors de l'utilisation de l'apprentissage automatique dans la recherche sur l'autisme, et en mettant en évidence certaines zones particulièrement prometteuses pour le travail collaboratif à l'intersection de la science informatique et du comportement.
L'apprentissage par la machine a un potentiel immense pour améliorer la recherche de diagnostic et d'intervention dans les sciences comportementales, et peut être particulièrement utile dans les enquêtes impliquant le syndrome très répandu et hétérogène de troubles du spectre autistique. Cependant, l'utilisation de l'apprentissage de la machine en l'absence d'expertise dans le domaine clinique peut être ténue et conduire à des conclusions mal informés.
To illustrate this concern, the current paper critically evaluates and attempts to reproduce results from two studies (Wall et al. in Transl Psychiatry 2(4):e100, 2012a; PloS One 7(8), 2012b) that claim to drastically reduce time to diagnose autism using machine learning. Our failure to generate comparable findings to those reported by Wall and colleagues using larger and more balanced data underscores several conceptual and methodological problems associated with these studies.
We conclude with proposed best-practices when using machine learning in autism research, and highlight some especially promising areas for collaborative work at the intersection of computational and behavioral science.
Nous terminons en proposant les meilleures pratiques lors de l'utilisation de l'apprentissage automatique dans la recherche sur l'autisme, et en mettant en évidence certaines zones particulièrement prometteuses pour le travail collaboratif à l'intersection de la science informatique et du comportement.
- PMID: 25294649
Aucun commentaire:
Enregistrer un commentaire