Нейронный вывод на основе вероятностного графа для прецизионных клинических рабочих процессов в онкологии с встроенной этической проверкой

Нейронный вывод на основе вероятностного графа для прецизионных клинических рабочих процессов в онкологии с встроенной этической проверкой Когда пару лет назад я впервые начал копаться в графовых нейронных сетях, меня преследовал довольно академический вопрос: может ли передача сообщений по гетерогенным графам фактически превзойти повышение табличного градиента на беспорядочных биомедицинских данных? Я провел выходные, подключая игрушечный геометрический конвейер PyTorch к общедоступному набору данных о взаимодействии лекарств и целей, ожидая, что GNN выбьет из строя мой базовый уровень XGBoost. Это не так. Он сравнял счет, а затем незаметно проиграл AUROC на три очка, когда я ввел реалистичный классовый дисбаланс. Этот унизительный результат отправил меня в кроличью нору, которая в конечном итоге привела меня туда, где я нахожусь сейчас — создание систем вероятностного графического вывода для точной онкологии, где ставки — не очки в таблице лидеров, а решения о лечении реальных пациентов. Мое мышление изменила статья о конформном предсказании свойств молекул. Меня осенило, что в клинической онкологии точечная оценка «этот пациент отреагирует на ингибирование PARP» практически бесполезна без калиброванной полосы неопределенности вокруг нее. Врачу необходимо знать, выбран ли режим