こんにちはみんな。
ありがとうのためにチューニングでに私の話す。
私はデビッドメインラップ、
教授でインゴルシュタット大学の適用済み科学。
そして今日、私意思話すについてあなげなわR出口にRを検出するリスクF俳優
のためにフェイタルオー成果で危篤状態COVID-19（新型コロナウイルス感染症患者。
以上の最後二年、
何か始めましたにますますわざわざ自分、
そしてそれはない何あなたおそらく考える今、 p貧血症、
またはで少しでもないのみ。
のトピックは接続されていますにこれ。
これは自分与えるある話すの上深い学ぶそして人工的な知能
での発見サミット2019年での素晴らしい市のコペンハーゲン。
そして以来それから、
それ見た目のようにAIもっているなるの普遍的な道具のためにすべて、
それでさせて自分与えるあなたの例。
で5月2021年、
の一般的な監督のの世界健康組織
言ったの続く：
"1つののレッスンのCOVID-19（新型コロナウイルス感染症
はそれの世界ニーズある重要な跳躍フォワード
でデータ分析。
これ必要利用するの潜在的の高度なテクノロジー
そのようなとして人工的な知能。"
それでに自分、これ感じるのようにある少し、忘れるについての科学的方法
定義するのゴール、指定するのツール、述べているの仮説、などセテラ、
ただ落とすの魔法言葉人工的な知能
そしてあなたはの上の良い側。
それでしたがって、私決めたに与えるこれ話すでの形状のある対話
間のAI愛好家の上の左側そしてある統計学者の上の右側。
そして私は行くに話すある少しもっと具体的にはの上統計的モデル、
人工的な知能、そして罰せられた回帰。
そしてそれからでの2番一部のの話す、私は実は行くに現在
ケース勉強についての批判的に病気COVID-19（新型コロナウイルス感染症患者。
それでしましょう得る始めました。
こちらですの初め質問から私たちのAI愛好家。
での時代の人工的な知能そして深い学ぶ、
誰がニーズ統計的回帰モデル？
こちらです私の短い答えそれ私借りたからファンラヴイスタ、
副社長でマイクロソフト。
"いつ私たちは上げるお金、そのAI、いつ私たちは雇う、その機械学ぶ、
そしていつ私たちはするの仕事、そのロジスティック退行。」
それで私愛これつぶやきなぜならで私の意見で少しでも、
それ凝縮するある多くの真実であるとても短い声明。
AIもっているなるある普遍的なマーケティング道具。
しかしのためにの本物問題、私たちはまだ使用伝統的高度な統計的方法。
あ少し少しより長いです答えできたなれの続く。
もし私見てでの典型的なタスクのエンジニアそして科学者、
彼らは含む革新する、理解する、改善する、そして予測する。
そして深い学ぶそして人工的な知能
は主にある予測道具。
のためにすべてそれ以外、
私たちはまだ必要高度な統計的メソッドのように伝統的機械学ぶ、
統計的モデリング、そしてデザインの実験。
わかった、しかしあなた持っているに認める
それそこにははとても成功アプリケーションのAIそして深い学ぶ。
良い、あるよ絶対にいいえ疑いについてそれ。
のために例、
予測するの次動くであるゲームのようにチェスそして行く。
の深い-学ぶアルゴリズムするこれ方法より良いよりもどれでも人間いる。
または私するだろうのようにに導入私のお気に入り人工的な知能応用、
どれのは解決するのタンパク質折りたたみ問題。
のタンパク質折りたたみ問題もっている有名なされた紹介された1972年
によるのノーベル賞勝者、キリスト教徒アンフィンセン
誰が言ったで彼の受け入れスピーチ
それあるプロテインのアミノ酸順序すべき完全に決定するその3D構造。
そして以上の最後50年、これ問題もっている基本的にされた未解決。
そしてそこにはだったとても少し進捗
それまでディープマインドによるグーグル発展したのAI-ベースのアルゴリズム呼ばれたアルファF古い
それにあるとても大きい範囲解決しましたのタンパク質折りたたみ問題。
そしてあなた見る二例のこれの上の右側。
これはとても印象的なそして美しい仕事。
そして私含まれていますそれここなぜなら私欲しかったに明らかにする
それこれはの完璧深い-学ぶAI問題。
私たちは持っているある広大な額のデータ、
私たちは持っているある組み合わせ的な爆発のオプション、
そしての結果私たちはは探しているのためにはある予測、
の実際の3D構造ののタンパク質。
それでのために予測、私たちはすべきいつも使用あい。
ないで全て。
のために例、でのデータセットそれ私意思現在
についての批判的に病気COVID-19（新型コロナウイルス感染症患者、
私たちは欲しいのモデルに予測するもしの忍耐強い意思生き残るまたは意思死ぬ。
しかしの純粋な予測しません本当にヘルプ。
もしあなた知る誰かは行くに死ぬ、何あなた欲しいはあなた欲しいに扱う、
あなた欲しいに防ぐ、あなた欲しいに知るの危険要因、
あなた欲しいになれできるに活動
そしてないただ単に予測する死または生存。
それで何私たちは必要はある本当に解釈可能なモデル
それ意思ヒントこれらものそれ私たちは必要
のように処理、防止、そして危険要因。
別の方法の探しているでそれ、
しましょう持っているある見てで典型的なデータ-駆動されるモデリング戦略。
何はとても通常終わりで深い-学ぶAI環境
はそれあなた取る全て利用可能データ、
あなた投げるそれでの深い-学ぶAIアルゴリズム。
そしてそれかもしれない予測するとても良いの結果それあなたは探しているのために、
しかしあなたは取得ある完全に解釈不可能モデル。
なに？の代替？
アン代替はにすでにでのデータコレクションプロセス
考える気をつけて何データするあなた必要と高度な統計的方法。
それから適用するある統計的モデル、
そしてとしてある結果、あなた得るある完全に解釈可能なモデル。
わかった、言う私たちのAI愛好家、
しかしあなたはないの重要ポイントここ。
統計的モデルかもしれないなれニースのために小さいデータセット、
しかしのために大きいデータ、彼らはできないなれ使用済み、右？
良い、いいえ。
のために大きいデータセット、そこにははいくつかの知的方法
に減らすの次元性
前にあなた始めるとのフィッティングプロセスののモデル。
そして私するだろうのようにに導入、で少しでも間もなく、
三つのこれら知的方法に減らすのモデル次元性。
番号1つ、冗長性分析、何かあなたかもしれない持っている聞いたについて。
もしあなた持っているある大きいデータセット、
の価格あなた支払うは通常それの要因は非常に相関のある
そしてあなたできる測定の額の相関内でのセットの要因
によるの価値それは呼ばれた分散インフレーション要素。
そしてそれからあなたできる実はなくすの要因
との最高分散インフレーション要因。
なぜ？
なぜなら彼らはしないでください追加追加情報
にのセットの要因それあなたはすでに探しているで。
それでこれは1つクラシック方法の減らすの次元性のあなたのデータ。
もしあなた持っているカテゴリー的なデータ、のために例、
あなた見てでのバツ-光線のの肺そしてあなたできる見る違う症状。
それからあなたできる持っている変数それ説明する、
これ症状だったそこには、これ症状だったそこには、
または別の症状だったそこには、バツ1、バツ2、バツ3.
多分のためにあなたの分析、
その十分に区別する普通の-探している肺
そしてある肺それもっているいくつかの症状どこかで。
で他の言葉、あなた変換するある行のみとゼロにあるゼロ。
そしてもしあるよで少しでも1つ1つ、あなた変化それにある1つ、
そしてあなた作成するある新しい変数捕まえるこれ情報。
またはに与えるあなたの代替、あなたできた和バツ1、バツ2、そしてバツ3、
そしてカウントの番号の症状それあなた見るの上のバツ-光線。
これ手順は呼ばれた得点
そしてはあるとても効率的方法の減らす次元性。
主要成分分析もっているその通りの同じ精神。
それ再結合する継続的な変数。
それかかりますある線形組み合わせの継続的な変数
とのアイデアの捕まえるの変化で1つ新しく作成した変数。
私電話これら次元性削減メソッド知的、
なぜならいつあなた適用する彼ら、
あなたすでに学ぶ何かについてあなたのデータ。
そしてそれはの全体目的の統計、そうではありませんそれ？
学ぶものからあなたのデータ。
それでさせて自分要約するの利点の統計的モデル。
初め、彼らはできるなれ使用済みのために全て種類のタスク、
ないのみのために予測。
2番、のモデル自体は役に立つそして完全に解釈可能。
そして三番目、
あなたできる始めるである大きいデータセットと知的次元性削減
前にあなた実はフィットのモデル。
私はまだない確信している。
できるあなた与える自分の例のある統計的モデル
それあなた適用済みにある大きいデータセット?
わかった、それでしましょう導入ロジスティックなげなわ回帰。
なげなわはの略語
のために少しでも絶対収縮そして選択オペレーター、
そしてなぜそれは呼ばれたのようにそれ、私意思説明するである少し瞬間。
しましょう導入これなげなわ回帰で四ステップ。
ステップ番号1つはに思い出させる私たち自身ののロジスティック回帰モデル。
であるロジスティック回帰モデル、私たちは持っているあるカテゴリー的、
での最も簡単な場合、二-レベル要素...
ごめんなさい、カテゴリー的な応答と二レベル、
そして私たちは持っているあるゴールにモデルの発生確率ののイベント。
これは通常終わりとこれS-形をした関数
それ対応するにの確率ののイベント実は発生している。
の機能的な学期は与えられたここにの左、
しかしの良いニュースはそれ
との簡単変換それは呼ばれたロジット変換、
あなたできる振り向くのオリジナル価値観の中へログそれは価値がある、
そしてそれからの結果はある単純線形回帰
の上のロジット値。
それでの底ラインはロジスティック回帰、
は単に線形回帰の上ロジット価値観。
ステップ番号二。
これはあるクラシック状況のある二-要素線形回帰モデル。
そしてどうやってする私たちはフィットこれにあるデータ雲？
良い、私たちはするこれとのヘルプのある損失関数。
のために例、私たちは取るの和の二乗エラー、
そしてそれから私たちは見てのためにの最小のこれ関数。
これはのとても有名なそして標準普通四角推定者
それはの結果の最小化する具体的にはこれ損失関数
与えられたによるの和の二乗エラー。
第三に、何かそれは多分少ない知られている、
私するだろうのようにに導入コンセプトf数学ROM
の標準のあるベクターそれは実はただある表現
のの概念のの距離のある長さのあるベクター。
しましょう見てで三つ例。
の初め1つそれあなた見るここでの真ん中
はのクラシック距離それあなた全て知るそして使用。
これはのユークリッド距離。
その計算されたによる取るの正方形のの座標
そしてそれから取るの四角根。
のユニット丸としてあなた知るを表します全てポイント
それ持っているある距離1つ、からの中心。
これはのクラシックユークリッド標準。
私たちはできる簡略化するこれ計算による単に取るの和の絶対価値観。
それでその代わりの取るある四角そして取るある四角根、
私たちは単に和の絶対価値観。
これは呼ばれたのL_1標準。
そして何あなた見るここ、これダイヤモンドはの表現
ののユニット丸のこれL_1標準。
で他の言葉、全てのポイントここの上これダイヤモンド持っている距離1 、
もしあなた測定距離とのL _1標準。
ついに、のそれで-呼ばれた最大標準どこあなた続くに簡略化する。
あなたただ取るのより大きな価値のの二絶対価値観、 ×1そして×2 。
もしあなた考えるについて何のユニット丸はでこれ場合、
それ意思実は振り向くの中へある四角。
これ四角はのユニット丸のためにの最大価値。
それででまとめ、私たちはできる測定距離で違う方法で数学、
そして何あなた見るここ、のダイヤモンド、の実際の丸または四角
はユニットサークル。
それでポイントと距離1つ、ただ測定されたと三つ違う規範、
三つ距離、
三つ違う概念の何ある長さは。
ついに、しましょう組み合わせるすべて私たちは持っています終わりそれで遠い。
それで私たちは始めるとのロジスティック回帰モデル。
私たちは追加の損失関数。
そして今、その代わりの取るの普通二乗損失関数、
私たちは追加追加の学期。
そしてこれ学期からなる基本的にののL_1標準ののパラメータ。
あなた見るそれ私たちは追加の絶対価値観、ベータ_1そしてベータ_2?
それでこれはのL_1標準ののパラメーター
それ私たちは追加にの損失関数。
のコース、これはただ1つ選択。
あなたできたまた四角これら。
それから、あなたするだろう得る何は呼ばれたある海嶺回帰
もしあなた取るの四角ののパラメーター。
これ初め1つここ、
の上1つそれ私たちはは行くに続くに使用
は呼ばれたのなげなわまたはL_1回帰
なぜならこれ学期ここは単にのL_1 ノルムののベータ、
ののパラメータベクター。
今、全体、何これ手段はそれあなた罰するの損失関数
のために選択する大きいベータ価値観。
そしてこれはなぜこれペナルティそれあなた導入
リードにの学期罰せられた損失機能。
それでもしあなた持っているある罰、ペナルティのために大きいベータベクトル、
それからその代わりのやってる普通少しでも正方形、
あなたするある罰せられた回帰。
今、しましょう見てある少し少しクローザーにの効果それ罰するもっている。
それでこれは一度またの罰せられた損失関数
とこれ追加学期ここ。
今、のグラフそれあなた見るここ
は独立したののそれで-呼ばれたチューニングパラメータ、ラムダ。
のより大きなラムダは、のもっと重さこれ学期もっている、
そしてのもっとそれ意思力のベータ値になれ小さい。
これはなぜあなた見るそれのパラメーター縮む。
そしてこれはなぜこれ全体手順は呼ばれた絶対収縮。
第二に、でこれグラフ、あなたできる考慮するこれエリアここ、
これダイヤモンドとしての予算それあなた持っている
のためにの和のの絶対価値観のベータ。
そしての上これら楕円、の残留物和の四角は絶え間ない。
それであなたは探しているのためにの最小残留物和の四角
内での予算。
これでの場合描かれたここリードにこれポイントここ。
そして期限にの形のこれダイヤモンド、
これら二意思通常接続するであるコーナーののダイヤモンド。
そして何これ手段はそれの対応するパラメータ
はセット正確ににゼロ。
そしてこれはなぜこれ方法はまた良いのために選択
なぜなら設定これパラメータゼロ手段何もないそれ以外
蹴るよりもそれ外ののモデル。
それでこれはでまとめなぜ私たちは電話のL _1回帰なげなわ。
それもっているある収縮要素そしてある選択要素
期限にこれら二説明された特徴。
1つ最後実用的側面のなげなわ回帰
はについてのチューニングパラメータ、これラムダここ。
どうやってするあなた選ぶそれ？
良い、 1つとても一般アプローチはの続く：
あなた使用ある検証方法
のようにのために例、赤池情報基準、
そしてあなたプロットの依存ののAICのラムダ。
そしてそれからあなたできる選ぶあるラムダ価値
それ与えるあなたある最小限のAIC。
の上の左側、あなた見るどうやってのパラメーター縮む
そしてあなたできる見るの青行それ対応するにのパラメーター
それは実は非ゼロ
その間の他のものはすでに強制的になれゼロ。
私はまだない確信している。
できるあなた見せる自分あるコンクリート場合勉強？
のコース。
それで、データそれ私は行くに現在ここ
からなるの739危篤状態ICU患者とCOVID-19（新型コロナウイルス感染症
それだった集めましたでの始まりののパンデミック
間行進そして10月2020年。
私たちは持っている1つバイナリ応答
それからなるののレベル回復したそして死んだ、
そして私たちは持っている43要因:
研究室価値観、バイタル、事前既存 条件、など。
これはのデータそれ私たちはは行くに分析する今。
それでここ、あなた見るのデータセット。
それもっている44列、としてあなたできる見る下ここ。
そして739患者。
今、しましょう始める慣れるある少し少しこことのデータ。
私たちは持っているこれ最後知られている状態、回復したそして死んだ、
年齢、性別、そしてBMI。
そしてそれから私たちは持っている追加ベースライン価値観、
併存疾患、バイタル、l腹筋価値観、症状、そしてCT結果。
しましょう見てでいくつかの配布物。
それでこれはの分布のの最後知られている状態。
それであなたできる見るそれ残念ながら46パーセントのこれら患者死亡しました。
私たちは見るここの歪んだ年分布との強調ここその上60.
そしてあなたできる見るそれだいたい70パーセントのの患者は男性。
持っているある見てでの追加ベースライン価値観。
あなたできる見るここの体質量索引、
そしてあなた意思知らせそれ私たちは持っているある傾向の高い体質量索引
その上25.
私たちは持っているとてもある多くのエースそしてで阻害剤、
そしてまたのスタチン、それで治療法のためにコレステロール
そしてのために血プレッシャーそしていくつかの免疫抑制性。
次、併存疾患。
あなた見るそれほとんど3分の2は高血圧、
そして私たちは持っているとてもある重要な額の心血管系病気、
の肺病気、
そしてについて30パーセントの私たちの患者持っている糖尿病。
今、のためにの残り四グループ、バイタル、l腹筋価値観、症状、そしてCT、
私は行くに見せるあなた1つ代表からそれぞれ
それでそれあなたできる得るあるフィーリングのどうやってこれら価値観は配布されました。
これはの呼吸器系レート。
これらはの番号のリンパ球。
それでこれはある重要なパラメータ、ある研究室パラメータ。
ここ、あなた持っているある症状、厳しい肝臓失敗
それできる起こるの上のICU。
そしてこれはあるCT結果、
地域の統合それできるなれ見たの上のCTのの肺。
わかった、それで今私たちはは準備ができて
そして私たちはは実は行くに分析するのモデル。
それで私行くに分析、FそれはMオーデル。
私取るの最後知られている状態。
それはなぜ私投げるですべてそれ以外として要素
そして私行くに一般的な回帰
どれのは行くに実行するのなげなわ回帰。
あなたできる見るここそれのなげなわ推定方法
はすでに事前に選択されています。
それでもし私クリックの上行く、の手順はすでに終了した。
そのとても速い、そしてこれはの結果。
これはのスクリーンショットそれあなた見たすでにの上の滑り台。
今、私はない行くに仕事とこれモデルのためにの続く理由。
もし私行くここ上にのモデルC比較セクション、
私見るそれ私持っている30パラメーターでこれモデル。
それでこれモデルはまだとても大きい。
もし私行く戻る下ここ、
私できる見るそれ私のAICしません変化ある多くもし私置くそれさらに遠くにの左。
その代わりのやってるこれ手動で、何私は行くにする
は私は行くに変化の設定のJMP
それでそれそれしません取るの最高-フィット、の最小限のAIC、
しかしその代わりの最小内での黄色ゾーン。
それでこれは何か私できるするここでのモデル打ち上げ。
それで私取るのアドバンスC制御する
そして私変化最高フィットSへ最も小さいYで黄色のZ 1つ。
私クリックの上行く。
そして今、実は私持っているあるとてもニースモデルと16パラメーター。
今、これはのモデル私は行くに使用。
そしてになれできるに見せるあなた何要因はでこれモデル、
私はただ行くに選択する彼ら、選択するゼロ以外条項。
今、私持っているこれら16選択された、
そして私できる置く彼らであるロジスティック回帰
そして活性化のオッズ比率。
それでの上の上、私たちは見るの16効果で私たちのモデル。
そして下に、私たちはできる見るのオッズ比率。
それでのために例、のオッズ比率の年は1.07。
もしあなた取るこれにの力10、それ意思与えるあなただいたいある価値の二、
どれの手段それと10年もっと、
だいたい、約あなたのオッズ比率ダブルス。
あなたのチャンスの死んでいるは二度として高いとして前に。
そしてそれから下にここ、
私たちは持っているのオッズ比率のためにの教育的な変数。
それでのために例、
冠状心血管系病気もっているの奇数比率の1.62。
今、私するだろうのようににポイント外いくつかののこれら結果。
それでしましょう初め見てで要因
それは良い-知られているからの一般的な人口。
それでここ、あなた見るの依存のの最後知られている状態対年。
そしてあなたできる見るどうやってこれ増加する年
増加あなたのチャンスの死んでいるとても大幅。
として私言った前に、のオッズ比率の10年はだいたいダブル。
の上の左側、
あなた見る肺病気そして心血管系病気
それ両方また持っているある重要な効果の上の危険の死んでいるからCOVID- 19.
そしてこれら要因はまた有効での一般的な人口。
今、もっと興味深いことに、
私たちは探すこれら三つ要因ないになれで私たちのモデル。
それで性別、 BMI、そして高血圧はない一部の私たちのモデル。
それでどうやってはそれ可能？
良い、その致命的に覚えて
それ私たちの人口からなるのICU患者。
彼らははすでに批判的に病気。
それで私たちは持っている72パーセントの男患者、
私たちは持っているほとんど80パーセントそれ持っているあるBMI以上26、
そして3分の2は高血圧。
それでこれら要因意思実は非常に増加あなたの危険
の重大な原因ののCOVID- 19病気。
しかし一度あなたは批判的に病気、でそれポイント、彼らはしないでください案件もう。
それでそれだったあるとても重要結果のために私たち。
どれの要因運ぶ以上からの一般的な人口
そしてどれの要因消えるで彼らの重要性
一度あなたはすでに危篤状態？
ついに、私するだろうのようににポイント外1つもっと側面どれのはスタチン。
スタチンだった全体的に取るに足らない。
あなた見るのP価値ここの25パーセント一度あなた見たで彼ら一様に。
しかしで私たちのマルチ階乗モデル、彼らはだった非常に重要な。
そしてとしてあなたできる見るここ、のオッズ比率は下に1つ、
減らすの危険の死亡。
それでこれはあるとても重要レッスン。
時々、人々選ぶ危険要因初めで大きいデータセット
による探しているで彼ら一様に。
そしてもしあなたしたそれ、あなたするだろうと保証
持っている逃したスタチン、
なぜなら一意に、その完全に関係ない。
しかしで私たちの多因性のモデル、
私たちはできた見せるそれスタチン持っているある保護的な効果
に対して死んでいるからCOVID-19（新型コロナウイルス感染症一度あなたは批判的に病気。
これ見つけるもっているされた後で確認済みによるその他。
そしてただとしての例、
私含まれていますあるメタ分析から9月21
それ確かに確認しますそれスタチン減らすの死亡の患者
であるとても大きいメタ分析とほとんど150,000患者。
もしあなたは興味があるでもっと詳細、
私たちは出版された私たちの仕事でのジャーナルの臨床薬。
私するだろうのようにに取るの機会に感謝私の共著者、
で特定の、ステファンボーグマンそしてマルティナノワク-マッヘン
からの診療所でインゴルシュタット。
そして私するだろうまたのようにに感謝あなたとても多くののためにあなたの注意、
そして私は探しているフォワードにあなたの質問。
感謝あなたとても多くの。
