ترجمه فارسی مقاله مدل‌های یادگیری ماشینی قابل اعتماد در پزشکی ژنومی با استفاده از پیش‌بینی منسجم

چکیده

Machine learning and genomic medicine are the mainstays of research in delivering personalized healthcare services for disease diagnosis, risk stratification, tailored treatment, and prediction of adverse effects. However, potential prediction errors in healthcare services can have life-threatening impact, raising reasonable skepticism about whether these applications are beneficial in real-world clinical practices. Conformal prediction is a versatile method that mitigates the risks of singleton predictions by estimating the uncertainty of a predictive model. In this study, we investigate potential applications of conformalized models in genomic medicine and discuss the challenges towards bridging genomic medicine applications with clinical practice. We also demonstrate the impact of a binary transductive model and a regression-based inductive model in predicting drug response and the performance of a multi-class inductive predictor in addressing distribution shifts in molecular subtyping. The main conclusion is that as machine learning and genomic medicine are increasingly infiltrating healthcare services, conformal prediction has the potential to overcome the safety limitations of current methods and could be effectively integrated into uncertainty-informed applications within clinical environments.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین و داروی ژنومی اصلی ترین تحقیقات در ارائه خدمات مراقبت های بهداشتی شخصی برای تشخیص بیماری ، طبقه بندی خطر ، درمان متناسب و پیش بینی عوارض جانبی است.با این حال ، خطاهای پیش بینی بالقوه در خدمات مراقبت های بهداشتی می تواند تأثیر تهدید کننده زندگی داشته باشد و باعث ایجاد شک و تردید معقول در مورد اینکه آیا این برنامه ها در شیوه های بالینی در دنیای واقعی مفید هستند ، ایجاد می کند.پیش بینی کنفورماسی یک روش همه کاره است که با برآورد عدم قطعیت یک مدل پیش بینی ، خطرات پیش بینی های تک را کاهش می دهد.در این مطالعه ، ما کاربردهای بالقوه مدلهای متناوب در طب ژنومی را بررسی می کنیم و در مورد چالش های مربوط به پل سازی برنامه های داروهای ژنومی با عمل بالینی بحث می کنیم.ما همچنین تأثیر یک مدل فرامرزی باینری و یک مدل القایی مبتنی بر رگرسیون را در پیش بینی پاسخ به دارو و عملکرد یک پیش بینی کننده القایی چند طبقه در پرداختن به تغییرات توزیع در زیرگروه مولکولی نشان می دهیم.نتیجه گیری اصلی این است که از آنجا که یادگیری ماشین و داروی ژنومی به طور فزاینده ای به خدمات مراقبت های بهداشتی نفوذ می کنند ، پیش بینی کنفورماسی این پتانسیل را دارد که بر محدودیت های ایمنی روشهای فعلی غلبه کند و می تواند به طور موثری در برنامه های آگاه از عدم اطمینان در محیط های بالینی ادغام شود.