Kosten-sensitive Lernverfahren für unausgeglichene medizinische Daten: eine Übersicht

Zusammenfassung Die Integration von Maschinellem Lernen (ML) in die Medizin hat viele Möglichkeiten eröffnet, komplexe medizinische Daten zu nutzen, die Patientenergebnisse zu verbessern und das Fachgebiet voranzubringen. Allerdings stellt die inhärente unausgeglichene Verteilung medizinischer Daten eine erhebliche Herausforderung dar, die zu voreingenommenen ML-Modellen führt, die in Minderheitsklassen schlecht abschneiden. Um die Auswirkungen der Klassenungleichheit zu mindern, wurden von Forschern verschiedene Strategien untersucht, wobei das Kosten-sensitive Lernen (CSL) als vielversprechender Ansatz hervorgeht, um die Genauigkeit und Zuverlässigkeit von ML-Modellen zu verbessern. Dieses Papier präsentiert die erste Übersicht über CSL für unausgeglichene medizinische Daten. Eine umfassende Untersuchung der bestehenden Literatur umfasste Veröffentlichungen von Januar 2010 bis Dezember 2022 und wurde aus fünf großen digitalen Bibliotheken bezogen. Insgesamt wurden 173 Arbeiten ausgewählt, analysiert und basierend auf wichtigen Kriterien, einschließlich Veröffentlichungsjahre, Kanäle und Quellen, Forschungstypen, empirische Typen, medizinische Teilgebiete, medizinische Aufgaben, CSL-Ansätze, Stärken und Schwächen von CSL, häufig verwendete Datensätze und Datentypen, Bewertungskriterien und Entwicklungstools, klassifiziert. Die Ergebnisse zeigen einen bemerkenswerten Anstieg der Veröffentlichungen, insbesondere seit 2020, und eine starke Präferenz für direkte CSL-Ansätze. Die Analyse der Datentypen offenbarte vielfältige Modalitäten, wobei medizinische Bilder dominieren. Die Unterauslastung kostenspezifischer Kennzahlen und die Weitverbreitung von Python als primärem Programmiertool werden hervorgehoben. Die Analyse der Stärken und Schwächen umfasste drei Aspekte: CSL-Strategie, CSL-Ansätze und relevante Arbeiten. Diese Studie dient als wertvolle Ressource für Forscher, die den aktuellen Stand der Forschung erkunden, Stärken und Lücken in der bestehenden Literatur identifizieren und die Anwendung von CSL für unausgeglichene medizinische Daten vorantreiben möchten.