Apprentissage sensible aux coûts pour des données médicales déséquilibrées : une revue

Résumé L'intégration de l'apprentissage automatique (ML) en médecine a ouvert de nombreuses opportunités pour exploiter des données médicales complexes, améliorant les résultats des patients et faisant progresser le domaine. Cependant, la distribution déséquilibrée inhérente des données médicales pose un défi significatif, entraînant des modèles ML biaisés qui performent mal sur les classes minoritaires. L'atténuation de l'impact du déséquilibre des classes a poussé les chercheurs à explorer diverses stratégies, dont l'apprentissage sensible aux coûts (CSL) émerge comme une approche prometteuse pour améliorer l'exactitude et la fiabilité des modèles ML. Cet article présente la première revue du CSL pour des données médicales déséquilibrées. Une exploration complète de la littérature existante a englobé des articles publiés de janvier 2010 à décembre 2022 et provenant de cinq grandes bibliothèques numériques. Un total de 173 articles ont été sélectionnés, analysés et classés en fonction de critères clés, y compris les années de publication, les canaux et sources, les types de recherche, les types empiriques, les sous-domaines médicaux, les tâches médicales, les approches CSL, les forces et les faiblesses du CSL, les ensembles de données et types de données fréquemment utilisés, les métriques d'évaluation et les outils de développement. Les résultats indiquent une augmentation notable des publications, en particulier depuis 2020, et une forte préférence pour les approches directes du CSL. L'analyse des types de données a révélé des modalités diverses, avec une prédominance des images médicales. L'utilisation sous-optimale des métriques liées aux coûts et la prévalence de Python en tant qu'outil de programmation principal sont mises en avant. L'analyse des forces et des faiblesses a couvert trois aspects : la stratégie CSL, les approches CSL et les travaux pertinents. Cette étude sert de ressource précieuse pour les chercheurs cherchant à explorer l'état actuel de la recherche, à identifier les forces et les lacunes dans la littérature existante et à faire avancer l'application du CSL pour des données médicales déséquilibrées.