面向抗菌素耐药性的机器学习
机器学习
2016-07-06 v1 定量方法
摘要
如今可用于应用机器学习的生物数据集比以往任何时候都多，但在Data-for-Good社区中缺乏足够代表性。这里我们提出一个进行中的案例研究，使用标准集成机器学习技术对抗菌素耐药性（AMR）执行分析，并注意此类工作带来的成功与陷阱。广泛地，应用机器学习（AML）技术非常适合AMR，分类准确率根据样本量从中95%到低80%不等。此外，这些技术成功识别已知与AMR表型相关的基因区域。我们相信大量可用生物数据、呈现的众多问题以及此类工作的全球影响值得Data-for-Good社区考虑。
引用
@article{arxiv.1607.01224,
title = {Machine Learning for Antimicrobial Resistance},
author = {John W. Santerre and James J. Davis and Fangfang Xia and Rick Stevens},
journal= {arXiv preprint arXiv:1607.01224},
year = {2016}
}
备注
presented at 2016 ICML Workshop on #Data4Good: Machine Learning in Social Good Applications, New York, NY