Bonjour tout le monde.
Merci pour réglage dans à ma parler.
je suis David Meintrup,
Professeur à Université d'Ingolstadt de Appliqué Les sciences.
Et aujourd'hui, je sera parler sur UN Lasso R émersion à Détecter R isque F acteurs
pour Fatal O résultats dans Gravement malade COVID-19 [feminine] Les patients.
Plus de la dernière deux années,
quelque chose a débuté à de plus en plus embêter moi,
et ce est ne pas Quel tu Probablement pense à présent, le p andémique,
ou à moins ne pas seulement.
La sujet est lié à cette.
Cette est moi donnant un parler sur Profond apprentissage et artificiel intelligence
à la Découverte Sommet 2019 dans la magnifique ville de Copenhague.
Et puisque alors,
ce regards Comme IA a devenir la universel outil pour tout,
alors laisser moi donner tu un Exemple.
Dans Peut 2021,
la Général Directeur de la Monde Santé Organisme
a dit la Suivant:
"Une de la cours de COVID-19 [feminine]
est ce la monde Besoins un important saut vers l'avant
dans Les données une analyse.
Cette a besoin exploiter la potentiel de Avancée les technologies
tel comme artificiel intelligence."
Alors à moi, cette se sent Comme un bit, Oubliez sur la scientifique méthode
définir la objectif, en précisant la outils, indiquant la hypothèse, et cetera,
Juste goutte la la magie mot artificiel intelligence
et tu sommes sur la bien côté.
Alors Donc, je décidé à donner cette parler dans la formulaire de un dialogue
entre un IA passionné sur la la gauche côté et un statisticien sur la droit côté.
Et je suis Aller à parler un bit Suite Plus précisément sur statistique des modèles,
artificiel intelligence, et pénalisé régression.
Et alors dans la deuxième partie de la parler, je suis réellement Aller à cadeau
l'affaire étude sur la critique malade COVID-19 [feminine] les patients.
Alors allons obtenir a débuté.
Voici la première question de notre IA passionné.
Dans la ère de artificiel intelligence et Profond apprentissage,
qui Besoins statistique régression des modèles?
Voici ma court réponse ce je emprunté de Juan Lav ista,
Vice Président à Microsoft.
"Lorsque nous soulever argent, c'est IA, lorsque nous embaucher, c'est machine apprentissage,
et lorsque nous fais la travailler, c'est la logistique régression."
Alors je aimer cette tweeter car dans ma opinion à moins,
ce se condense un parcelle de vérité dans un très court déclaration.
IA a devenir un universel commercialisation outil.
Mais pour la réel problèmes, nous toujours utilisation traditionnel Avancée statistique méthodes.
UN peu bit plus long réponse pourrait être la Suivant.
Si je voir à la typique tâche de ingénieurs et scientifiques,
elles ou ils comprendre innover, comprendre, améliorer, et prédire.
Et Profond apprentissage et artificiel intelligence
est surtout un prédiction outil.
Pour tout autre,
nous toujours besoin Avancée statistique méthodes Comme traditionnel machine apprentissage,
statistique la modélisation, et motif de expériences.
D'accord, mais tu ont à admettre
ce là sommes très couronné de succès applications de IA et Profond apprentissage.
Bien, il y a Tout à fait non doute sur ce.
Pour Exemple,
prédire la Suivant mouvement dans un Jeu Comme jeu d'échecs et Aller.
La Profond- apprentissage algorithmes fais cette façon meilleur que n'importe quel Humain étant.
Ou je aurait Comme à introduire ma favori artificiel intelligence application,
qui est résoudre la protéine pliant problème.
La protéine pliant problème a communément a été introduit 1972
par la Nobel Prix gagnant, Christian Anfinsen,
qui a dit dans le sien acceptation parole
ce un les protéines aminé acide séquence devrait pleinement déterminer son 3D structure.
Et plus de la dernière 50 années, cette problème a fondamentalement a été non résolu.
Et là a été très peu le progrès
jusqu'à DeepMind par Google développé un AI- basé algorithme appelé AlphaF Agé de
ce à un très grand Le degré résolu la protéine pliant problème.
Et tu voir deux exemples de cette sur la droit côté.
Cette est très Impressionant et belle travailler.
Et je inclus ce ici car je recherché à clarifier
ce cette est la parfait Profond- apprentissage IA problème.
Nous ont un vaste montant de Les données,
nous ont un combinatoire explosion de choix,
et la résultat nous sommes en regardant pour est un prédiction,
la réel 3D structure de la protéine.
Alors pour prédictions, nous devrait toujours utilisation IA.
Pas à tout.
Pour Exemple, dans la base de données ce je sera cadeau
sur la critique malade COVID-19 [feminine] les patients,
nous vouloir la maquette à prédire si la patient sera survivre ou sera mourir.
Mais la pur prédiction n'a pas vraiment aider.
Si tu connaître quelqu'un est Aller à mourir, Quel tu vouloir est tu vouloir à traiter,
tu vouloir à empêcher, tu vouloir à connaître la risque les facteurs,
tu vouloir à être pouvoir à loi
et ne pas juste simplement prédire décès ou survie.
Alors Quel nous besoin est un vraiment interprétable maquette
ce sera indice ces des choses ce nous besoin
Comme traitement, la prévention, et risque les facteurs.
Une autre façon de en regardant à ce,
allons ont un voir à typique Les données- conduit la modélisation stratégies.
Quoi est très typiquement Fini dans Profond- apprentissage IA environnement
est ce tu prendre tout disponible Les données,
tu jeter ce dans la Profond- apprentissage IA algorithme.
Et ce force prédire très bien la résultat ce tu es en regardant pour,
mais tu es obtenir un pleinement non interprétable maquette.
Qu'est-ce que un alternative?
Un alternative est à déjà dans la Les données le recueil traiter
pense avec attention Quel Les données fais tu besoin avec Avancée statistique méthodes.
Alors appliquer un statistique maquette,
et comme un résultat, tu obtenir un pleinement interprétable maquette.
D'accord, dit notre IA passionné,
Mais tu sommes disparu un important indiquer ici.
Statistique des modèles force être agréable pour petit Les données ensembles,
mais pour gros Les données, elles ou ils ne peut pas être utilisé, droit?
Bien, non.
Pour grand Les données ensembles, là sommes plusieurs intelligente façons
à réduire la dimensionnalité
avant de tu début avec la raccord traiter de la maquette.
Et je aurait Comme à introduire, à moins prochainement,
Trois de ces intelligente façons à réduire la maquette dimensionnalité.
Numéro une, redondance une analyse, quelque chose tu force ont entendu sur.
Si tu ont un grand Les données Positionner,
la le prix tu Payer est typiquement ce la les facteurs sommes très corrélé
et tu boîte mesure la montant de corrélation dans la Positionner de les facteurs
par la évaluer ce est appelé variance inflation facteur.
Et alors tu boîte réellement éliminer la les facteurs
avec la le plus élevé variance inflation les facteurs.
Pourquoi?
Car elles ou ils ne le faites pas ajouter Additionnel informations
à la Positionner de les facteurs ce tu sommes déjà en regardant à.
Alors cette est une classique façon de réduire la dimensionnalité de ton Les données.
Si tu ont catégorique Les données, pour Exemple,
tu voir à un X- rayon de la poumon et tu boîte voir différent les symptômes.
Alors tu boîte ont variables ce décris,
cette symptôme a été là, cette symptôme a été là,
ou un autre symptôme a été là, X 1, X 2, X 3.
Peut-être pour ton une analyse,
c'est suffisant à distinguer un normal- en regardant poumon
et un poumon ce a quelques les symptômes quelque part.
Dans autre mots, tu convertir un ligne seulement avec des zéros à un zéro.
Et si il y a à moins une une, tu monnaie ce à un une,
et tu créer un Nouveau variable contagieux cette informations.
Ou à donner tu un alternative, tu pourrait somme X 1, X 2, et X 3,
et compter la Numéro de les symptômes ce tu voir sur un X- rayon.
Cette procédure est appelé notation
et est un très efficace façon de réduire dimensionnalité.
Directeur composant une analyse a exactement la même esprit.
Ce se recombine continu variables.
Ce prend un linéaire combinaison de continu variables
avec la idée de contagieux la variation dans une nouvellement établi variable.
je appel ces dimensionnalité réduction méthodes intelligente,
car lorsque tu appliquer leur,
tu déjà apprendre quelque chose sur ton Les données.
Et c'est la ensemble objectif de statistiques, n'est pas ce?
Apprentissage des choses de ton Les données.
Alors laisser moi résumer la avantages de statistique des modèles.
Première, elles ou ils boîte être utilisé pour tout sortes de Tâches,
ne pas seulement pour prédictions.
Deuxième, la maquette lui-même est utile et pleinement interprétable.
Et troisième,
tu boîte début dans un grand base de données avec intelligente dimensionnalité réduction
avant de tu réellement adapter la maquette.
je suis toujours ne pas convaincu.
Boîte tu donner moi un Exemple de un statistique maquette
ce tu appliqué à un grand base de données?
D'accord, alors allons introduire la logistique Lasso régression.
Lasso est un abréviation
pour moins absolu rétrécissement et sélection opérateur,
et Pourquoi ce est appelé Comme ce, je sera Explique dans un peu des moments.
Allons introduire cette Lasso régression dans quatre pas.
Marcher Numéro une est à rappeler nous-mêmes de la la logistique régression maquette.
Dans un la logistique régression maquette, nous ont un catégorique,
dans la le plus simple Cas, deux- niveau facteur...
Désolé un catégorique réponse avec deux niveaux,
et nous ont un objectif à maquette la occurrence probabilité de la un événement.
Cette est typiquement Fini avec cette S- en forme de fonction
ce correspond à la probabilité de la un événement réellement survenant.
La fonctionnel terme est donné ici à la la gauche,
mais la bien nouvelles est ce
avec un facile transformation ce est appelé Logit transformation,
tu boîte tour la original valeurs dans Journal il valorise,
et alors la résultat est un Facile linéaire régression
sur la valeurs logit.
Alors la fond ligne est la logistique régression,
est simplement linéaire régression sur Logit valeurs.
Marcher Numéro deux.
Cette est un classique situation de un deux- facteur linéaire régression maquette.
Et comment fais nous adapter cette à un Les données nuage?
Bien, nous fais cette avec la aider de un perte fonction.
Pour Exemple, nous prendre la somme de au carré les erreurs,
et alors nous voir pour la le minimum de cette fonction.
Cette est la très célèbre et la norme ordinaire carré estimateur
ce est la résultat de minimiser Plus précisément cette perte fonction
donné par la somme de au carré les erreurs.
Troisièmement, quelque chose ce est peut être moins connu,
je aurait Comme à introduire concept F mathématiques rom
la norme de un vecteur ce est réellement juste un représentation
de la notion de la distance de un longueur de un vecteur.
Allons voir à Trois exemples.
La première une ce tu voir ici dans la milieu
est la classique distance ce tu tout connaître et utilisation.
Cette est la euclidien distance.
C'est calculé par prise la carrés de la coordonnées
et alors prise la carré racine.
La unité cercle comme tu connaître représente tout points
ce ont un distance une, de la centre.
Cette est la classique euclidien norme.
Nous boîte simplifier cette calcul par simplement prise la somme de absolu valeurs.
Alors Au lieu de prise un carré et prise un carré racine,
nous simplement somme la absolu valeurs.
Cette est appelé la L_1 norme.
Et Quel tu voir ici, cette diamant est la représentation
de la unité cercle de cette L_1 norme.
Dans autre mots, tout la points ici sur cette diamant ont distance un ,
si tu mesure distance avec la L _1 norme.
Pour terminer, la alors- appelé maximum norme où tu Continuez à simplifier.
Tu juste prendre la plus grande évaluer de la deux absolu valeurs, x1 et x2 .
Si tu pense sur Quel la unité cercle est dans cette Cas,
ce sera réellement tour dans un carré.
Cette carré est la unité cercle pour la maximum évaluer.
Alors dans sommaire, nous boîte mesure distance dans différent façons dans mathématiques,
et Quel tu voir ici, la diamant, la réel cercle ou carré
sommes unité cercles.
Alors points avec distance une, juste mesuré avec Trois différent normes,
Trois distances,
Trois différent notions de Quel un longueur est.
Pour terminer, allons combiner tout nous avons Fini alors loin.
Alors nous début avec la la logistique régression maquette.
Nous ajouter la perte fonction.
Et à présent, Au lieu de prise la ordinaire perte carrée fonction,
nous ajouter un montant supplémentaire de terme.
Et cette terme consiste fondamentalement de la L_1 norme de la paramètre.
Tu voir ce nous ajouter la absolu valeurs, Bêta_1 et Bêta_2 ?
Alors cette est la L_1 norme de la paramètres
ce nous ajouter à la perte fonction.
De cours, cette est juste une choix.
Tu pourrait aussi carré ces.
Alors, tu aurait obtenir Quel est appelé un crête régression
si tu prendre la carré de la paramètres.
Cette première une ici,
la Haut une ce nous sommes Aller à Continuez à utilisation
est appelé la Lasso ou L_1 régression
car cette terme ici est simplement la Norme L_1 de la Bêta,
de la paramètre vecteur.
À présent, globalement, Quel cette moyens est ce tu punir la perte fonction
pour choisir grand Bêta valeurs.
Et cette est Pourquoi cette peine ce tu introduire
pistes à la terme pénalisé perte les fonctions.
Alors si tu ont un Châtiment, une pénalité pour grand Bêta vecteurs,
alors Au lieu de Faire ordinaire moins carrés,
tu fais un pénalisé régression.
À présent, allons voir un peu bit plus proche à la effet ce pénalisation a.
Alors cette est une fois que encore la pénalisé perte fonction
avec cette Additionnel terme ici.
À présent, la graphique ce tu voir ici
est indépendant de la alors- appelé réglage paramètre, Lambda.
La plus grande Lambda est, la Suite lester cette terme a,
et la Suite ce sera Obliger la Valeurs bêta à être petit.
Cette est Pourquoi tu voir ce la paramètres rétrécir.
Et cette est Pourquoi cette ensemble procédure est appelé absolu rétrécissement.
Deuxièmement, dans cette graphique, tu boîte envisager cette Région ici,
cette diamant comme la budget ce tu ont
pour la somme de la absolu valeurs de Bêta.
Et sur ces ellipses, la résiduel somme de carré est constant.
Alors tu es en regardant pour la le plus petit résiduel somme de carré
dans la budget.
Cette dans la Cas dessiné ici pistes à cette indiquer ici.
Et exigible à la forme de cette diamant,
ces deux sera typiquement relier dans un coin de la diamant.
Et Quel cette moyens est ce la correspondant paramètre
est Positionner précisément à zéro.
Et cette est Pourquoi cette méthode est aussi bien pour sélection
car paramètre cette paramètre zéro moyens rien autre
que de donner des coups de pied ce dehors de la maquette.
Alors cette est dans sommaire Pourquoi nous appel la L _1 régression Lasso.
Ce a un rétrécissement élément et un sélection élément
exigible à ces deux décrit Caractéristiques.
Une dernière pratique aspect de Lasso régression
est sur la réglage paramètre, cette Lambda ici.
Comment fais tu choisir ce?
Bien, une très commun approcher est la Suivant:
tu utilisation un validation méthode
Comme pour Exemple, Direction Akaike ! critère,
et tu terrain la dépendance de la AIC de Lambda.
Et alors tu boîte prendre un Lambda évaluer
ce donne tu un minimal AIC.
Sur la la gauche côté, tu voir comment la paramètres rétrécir
et tu boîte voir la bleu lignes ce correspondre à la paramètres
ce sommes réellement non- zéro
tandis que la autre ceux sommes déjà forcé à être zéro.
je suis toujours ne pas convaincu.
Boîte tu Afficher moi un béton Cas étude?
De cours.
Alors le Les données ce je suis Aller à cadeau ici
consiste de 739 gravement malade soins intensifs les patients avec COVID-19 [feminine]
ce a été collecté dans la début de la pandémie
entre Mars et Octobre 2020.
Nous ont une binaire réponse
ce consiste de la niveaux rétabli et mort,
et nous ont 43 les facteurs:
laboratoire valeurs, vitales, pré- existant les conditions, etc.
Cette est la Les données ce nous sommes Aller à analyser à présent.
Alors ici, tu voir la base de données.
Ce a 44 Colonnes, comme tu boîte voir vers le bas ici.
Et 739 les patients.
À présent, allons début familiariser un peu bit ici avec la Les données.
Nous ont cette dernière connu statut, rétabli et mort,
âge gendre, et IMC.
Et alors nous ont Additionnel ligne de base valeurs,
comorbidités, signes vitaux, l un B valeurs, les symptômes, et TDM résultats.
Allons voir à quelques distributions.
Alors cette est la Distribution de la dernière connu statut.
Alors tu boîte voir ce malheureusement 46 pour cent de ces les patients décédés.
Nous voir ici la biaisé âge Distribution avec un accent ici au dessus 60.
Et tu boîte voir ce à peu près 70 pour cent de la les patients sommes mâles.
Ont un voir à la Additionnel ligne de base valeurs.
Tu boîte voir ici la corps Masse indice,
et tu sera remarquer ce nous ont un tendance de un haut corps Masse indice
au dessus 25.
Nous ont assez un parcelle de AS et À inhibiteurs,
et aussi de les statines, alors traitements pour cholestérol
et pour du sang pression et quelques immunosuppresseur.
Prochain, comorbidités.
Tu voir ce presque les deux tiers sommes hypertendu,
et nous ont assez un important montant de cardiovasculaire maladie,
de pulmonaire maladie,
et sur 30 pour cent de notre les patients ont Diabète.
À présent, pour la restant quatre groupes, signes vitaux, l un B valeurs, les symptômes, et TDM,
je suis Aller à Afficher tu une représentant de chaque
alors ce tu boîte obtenir un sentiment de comment ces valeurs sommes distribué.
Cette est la respiratoire évaluer.
Ces sommes la Numéro de lymphocytes.
Alors cette est un vital paramètre, un laboratoire paramètre.
Ici, tu ont un symptôme, sévère foie échec
ce boîte se produire sur la USI.
Et cette est un TDM résultat,
domaines de consolidation ce boîte être vu sur la TDM de la poumon.
D'accord, alors à présent nous sommes prêt
et nous sommes réellement Aller à analyser la maquette.
Alors je aller à Analyser, F c'est M modèle.
je prendre la dernière connu statut.
C'est Pourquoi je jeter dans tout autre comme facteur
et je aller à Général Régression
qui est Aller à effectuer la Lasso régression.
Tu boîte voir ici ce la Lasso estimation méthode
est déjà présélectionné.
Alors si je Cliquez sur sur Aller, la procédure est déjà achevé.
C'est très vite, et cette est la résultat.
Cette est la capture d'écran ce tu vu déjà sur la faire glisser.
À présent, je suis ne pas Aller à travailler avec cette maquette pour la Suivant raison.
Si je aller ici en haut à la Modèle C comparaison section,
je voir ce je ont 30 paramètres dans cette maquette.
Alors cette maquette est toujours très gros.
Si je aller retour vers le bas ici,
je boîte voir ce ma AIC n'a pas monnaie un parcelle si je mettre ce plus loin à la la gauche.
À la place de Faire cette manuellement, Quel je suis Aller à fais
est je suis Aller à monnaie la réglages de JMP
alors ce ce n'a pas prendre la meilleur- adapter, la minimal AIC,
mais Au lieu la le plus petit dans la jaune zone.
Alors cette est quelque chose je boîte fais ici dans la Modèle Lancement.
Alors je prendre la C avancé contrôle
et je monnaie Meilleur Adapter à S le plus petit en Y jaune Z une.
je Cliquez sur sur Aller.
Et à présent, réellement je ont un très agréable maquette avec 16 paramètres.
À présent, cette est la maquette je suis Aller à utilisation.
Et à être pouvoir à Afficher tu Quel les facteurs sommes dans cette maquette,
je suis juste Aller à sélectionner leur, Sélectionner Non nul Conditions.
À présent, je ont ces 16 choisi,
et je boîte mettre leur dans un la logistique régression
et Activer la chances ratios.
Alors sur la Haut, nous voir la 16 effets dans notre maquette.
Et dessous, nous boîte voir la chances ratios.
Alors pour Exemple, la chances rapport de âge est 1.07.
Si tu prendre cette à la Puissance dix, ce sera donner tu à peu près un évaluer de deux,
qui moyens ce avec 10 années Suite,
à peu près, approximativement ton chances rapport double.
Ton chance de mourant est deux fois comme haute comme avant de.
Et alors dessous ici,
nous ont la chances rapports pour la pédagogique variables.
Alors pour Exemple,
coronaire cardiovasculaire maladie a un étrange rapport de 1.62.
À présent, je aurait Comme à indiquer dehors quelques de ces résultats.
Alors allons première voir à les facteurs
ce sommes bien- connu de la général population.
Alors ici, tu voir la dépendance de la dernière connu statut contre âge.
Et tu boîte voir comment cette en augmentant âge
augmenter ton chance de mourant très significativement.
Comme je a dit avant de, la chances rapport de 10 années est à peu près double.
Sur la la gauche côté,
tu voir pulmonaire maladie et cardiovasculaire maladie
ce tous les deux aussi ont un important effet sur la risque de mourant de COVID- 19.
Et ces les facteurs sont aussi valide dans la général population.
À présent, Suite De façon intéressante,
nous trouver ces Trois les facteurs ne pas à être dans notre maquette.
Alors le genre, IMC, et hypertension sommes ne pas partie de notre maquette.
Alors comment est ce possible?
Bien, c'est critique à rappelles toi
ce notre population consiste de soins intensifs les patients.
Ils sommes déjà critique malade.
Alors nous ont 72 pour cent de Masculin les patients,
nous ont presque 80 pourcent ce ont un IMC plus de 26,
et les deux tiers sommes hypertendu.
Alors ces les facteurs sera réellement très augmenter ton risque
de une critique cause de la COVID- 19 maladie.
Mais une fois que tu sommes critique malade, à ce indiquer, elles ou ils ne le faites pas question plus.
Alors ce a été un très important résultat pour nous.
Qui les facteurs porter plus de de la général population
et qui les facteurs disparaître dans leur importance
une fois que tu sommes déjà gravement malade?
Pour terminer, je aurait Comme à indiquer dehors une Suite aspect qui est statines.
Statines étaient entièrement insignifiant.
Tu voir la P évaluer ici de 25 pour cent une fois que tu regardé à leur univariée.
Mais dans notre multi factoriel maquette, elles ou ils étaient très important.
Et comme tu boîte voir ici, la chances rapport est dessous une,
réduire la risque de mortalité.
Alors cette est un très important leçon.
Quelquefois, personnes choisir risque les facteurs première dans grand base de données
par en regardant à leur univariée.
Et si tu a fait ce, tu aurait avec garantie
ont manqué les statines,
car univariée, c'est totalement hors du sujet.
Mais dans notre multifactoriel maquette,
nous pourrait Afficher ce statines ont un protecteur effet
contre mourant de COVID-19 [feminine] une fois que tu sommes critique malade.
Cette découverte a a été plus tard confirmé par les autres.
Et juste comme un Exemple,
je inclus un méta- une analyse de Septembre 21
ce En effet confirme ce statines réduire la mortalité de les patients
dans un très grand méta- une analyse avec presque 150 000 les patients.
Si tu es intéressé dans Suite détails,
nous publié notre travailler dans la Journal de Clinique Médecine.
je aurait Comme à prendre la occasion à remercier ma co-auteurs,
dans particulier, Stéphane Borgmann et Martine Nowak- Machen
de la clinique dans Ingolstadt.
Et je aurait aussi Comme à remercier tu très beaucoup pour ton attention,
et je suis en regardant vers l'avant à ton des questions.
Remercier tu très beaucoup.
