[论文解读] Similarities and Differences between Machine Learning and Traditional Advanced Statistical Modeling in Healthcare Analytics

Michele Bennett, Karin Hayes+2 more|arXiv (Cornell University)|Jan 7, 2022

Artificial Intelligence in Healthcare被引用 14

一句话总结

本文比较了机器学习（ML）与传统高级统计建模在医疗健康分析中的应用，认为二者是互补而非对立的关系。文章阐明了两种方法在基础数学原理上的共通之处，但在工具使用、假设条件和应用场景上存在差异，最优选择取决于数据特征、问题目标（预测 vs. 因果推断）以及样本量和变量数量等实际约束条件。

ABSTRACT

Data scientists and statisticians are often at odds when determining the best approach, machine learning or statistical modeling, to solve an analytics challenge. However, machine learning and statistical modeling are more cousins than adversaries on different sides of an analysis battleground. Choosing between the two approaches or in some cases using both is based on the problem to be solved and outcomes required as well as the data available for use and circumstances of the analysis. Machine learning and statistical modeling are complementary, based on similar mathematical principles, but simply using different tools in an overall analytics knowledge base. Determining the predominant approach should be based on the problem to be solved as well as empirical evidence, such as size and completeness of the data, number of variables, assumptions or lack thereof, and expected outcomes such as predictions or causality. Good analysts and data scientists should be well versed in both techniques and their proper application, thereby using the right tool for the right project to achieve the desired results.

研究动机与目标

• 澄清将机器学习与传统统计建模在医疗健康分析中对立看待的误解。
• 识别机器学习与统计建模在数学基础和实际应用方面的核心异同。
• 指导数据科学家和研究人员根据数据质量、问题类型以及预测或因果推断等目标，选择合适的方法。
• 倡导一种混合方法，根据分析情境战略性地结合使用机器学习与统计建模。
• 通过强调熟练从业者应掌握两种方法以实现最佳结果，推动跨学科能力的发展。

提出的方法

• 作者基于医疗健康数据科学中的概念与实践框架，对机器学习与统计建模进行了对比分析。
• 他们基于共享的数学原理（如优化与概率论）评估两种方法，以证明其内在相似性。
• 本文使用真实医疗健康分析场景，对比机器学习（如神经网络、随机森林）与传统模型（如Cox回归、广义线性模型）的应用。
• 作者通过数据规模、完整性、变量数量以及假设条件（参数型 vs. 非参数型）等标准，评估方法间的权衡。
• 他们应用一个决策框架，将问题目标（如预测准确性 vs. 因果解释）与数据可得性及质量进行权衡。
• 分析包含图示示例与概念图示（两幅图），以清晰阐明两种范式之间的差异与协同效应。

实验结果

研究问题

• RQ1 在数学基础与核心原理方面，机器学习与传统统计建模有何异同？
• RQ2 在哪些医疗健康分析场景中，机器学习比传统统计建模更合适，反之亦然？
• RQ3 数据特征（如规模、完整性、变量数量）在选择机器学习与统计建模时起到何种作用？
• RQ4 在多大程度上可以将机器学习与统计建模结合使用，以提升医疗健康分析的成效？
• RQ5 预测目标与因果推断目标如何影响机器学习与统计建模的选择？

主要发现

• 机器学习与传统统计建模在本质上是互补的，二者共享优化与概率论等核心数学原理，而非相互对立的方法。
• 选择机器学习或统计建模应基于具体问题情境，包括数据可得性、规模与完整性，以及期望结果（预测 vs. 因果推断）。
• 统计模型通常更具可解释性，且在小样本或结构化数据集上更适用于因果推断。
• 当数据充足时，机器学习在高维数据与复杂模式识别方面表现更优。
• 两种方法均受益于专家应用：熟练的数据分析人员应精通两者，以针对每项分析挑战选择最优工具。
• 本文结论认为，最有效的分析策略应基于实证证据与具体问题需求，整合使用机器学习与统计建模。