Regresyon ve sınıflandırma görevlerini birleştiren ortak özellik seçimi için çok görevli öğrenme yaklaşımı

Bu yeni veri aracının önemi

Günümüz tıbbı her hastaya ilişkin laboratuvar değerleri ve hayati bulgulardan ayrıntılı beyin ve genetik ölçümlere kadar büyük miktarda veri topluyor. Hekimler ve araştırmacılar genellikle aynı anda birkaç şeyi —örneğin hastalık teşhisi ve önemli kan belirteçlerinin düzeyleri— tahmin etmek ve hangi ölçümlerin gerçekten en önemli olduğunu ortaya çıkarmak istiyor. Bu makale, farklı tahminlerin aynı tür olmadığı durumlarda bile her iki görevi daha adil ve güvenilir şekilde aynı anda yapmaya yardımcı olan MTLComb adlı yeni bir istatistiksel aracı tanıtıyor.

Farklı sorular, ortak bir sorun

Birçok makine öğrenmesi sistemi yalnızca bir tür soruyu yanıtlamak üzere eğitilir; örneğin bir sayıyı tahmin etmek (yaş veya kan basıncı gibi) ya da evet/hayır sonucu tahmin etmek (hastalık var mı yok mu gibi). Oysa gerçek tıbbi çalışmalarda bu sorular sıkça bir arada bulunur ve örtüşen biyolojik nedenlerle yönlendirilir. İdeal olarak tek bir öğrenme sistemi tüm bu soruları aynı anda ele alıp hangi ölçümlerin genel olarak önemli olduğunu—yani farklı sonuçlara kesişen potansiyel biyobelirteçleri—vurgulardı. Mevcut çok-görevli öğrenme yöntemleri tüm görevler aynı tür olduğunda bunu yapabiliyor, ancak sayısal ve evet/hayır tahminleri karıştığında zorlanıyorlar. Bir görev türü eğitim sürecinde baskın hale gelme eğiliminde olup ortak sinyallerin gözden kaçırılmasına yol açabiliyor.

Algoritma içinde dengeleri kurmak

MTLComb’in özü, farklı tahmin görevlerinin öğrenimi nasıl etkilediğini yeniden dengelemek için basit ama dikkatle türetilmiş bir kuraldır. Yazarlar, sayısal ve evet/hayır tahminleri için kullanılan kayıp fonksiyonlarının doğal olarak farklı ölçeklerde çalıştığını ve gradyanlarının farklı güçte olduğunu gösteriyor. Basitçe birleştirildiğinde, sürekli sonuçlar için modeller çok sayıda özellik seçmeye başlarken, evet/hayır modelleri aynı ceza düzeyinde hiç seçim yapmayabilir ve ortak özellik listesini önyönlendirebilir. Bu gradyan davranışlarını analiz ederek, araştırmacılar iki görev türünün öğrenme eğrilerini —yani düzenleme yollarını— hizaya getiren sabit bir ağırlık seti belirliyor. Bu, model daha seçici ya da daha gevşek hale geldikçe her iki görev türünün de özellikleri koordineli şekilde ekleyip çıkarması anlamına geliyor ve ortaya çıkan biyobelirteç kümesini daha dengeli ve yorumlanabilir kılıyor.

Kontrollü simülasyonlarda yöntemin test edilmesi

MTLComb’in en çok ne zaman fayda sağladığını anlamak için ekip önce kapsamlı simülasyon çalışmaları yürüttü. Genellikle genetik ve yoğun bakım araştırmalarında görülen, ölçüm sayısının hasta sayısından çok daha fazla olduğu veri setleri yarattılar. Bu dengesizliğin ne kadar uç olduğunu, kaç görev içerildiğini ve evet/hayır etiketlerinin ne kadar dengesiz olduğunu değiştirdiler. Bu senaryoların tümünde MTLComb, rakip yöntemlerden daha iyi gelecekteki verileri tahmin etmekle kalmadı; simülasyonlara yerleştirilen gerçekten ilgili özellikleri geri çıkarmada da daha başarılı oldu. Avantajı özellikle veri çok yüksek boyutlu olduğunda veya bir sonuç sınıfı diğerine göre çok daha nadir olduğunda güçlüydü —her ikisi de tıbbi araştırmalarda zorlayıcı ayarlar.

Sepsis ve şizofrenide gerçek dünya testleri

Yazarlar daha sonra MTLComb’i iki zor klinik probleme uyguladı. Enfeksiyona karşı hayatı tehdit eden bir reaksiyon olan sepsiste, yöntemi yoğun bakımda rutin olarak toplanan verilere uygulayarak hem sepsisin varlığını hem de metabolizma ve böbrek fonksiyonuna ilişkin birkaç kan belirtecini tahmin ettiler. MTLComb, güçlü tek-görev yöntemleriyle benzer tahmin doğruluğu sağladı; ancak seçtiği özellikler iki bağımsız hasta kohortunda daha kararlıydı ve hasta şiddetini özetleyen bilinen klinik skorlarla daha yakından ilişkiliydi. Şizofrenide ise beyin gen ifadesi verilerine dayalı hastalık teşhisi ile yaş tahminini birleştirdiler. Burada MTLComb, hem yaş hem de hastalık durumu için tutarlı davranan gen kümeleri ortaya çıkardı; bu genler şizofreni ve yaşlanmayla daha önce ilişkilendirilmiş beyin sinyal yollarında zenginleşmişti ve sinaptik plastisiteyi içeren ortak bir biyolojik rotayı işaret ediyordu.

İleriye yönelik anlamı

Uzman olmayan bir okuyucu için temel mesaj şudur: MTLComb, aynı anda birkaç tıbbi soruyu sorarken her bir soruya adil davranmanın bir yoludur. Bir tür tahminin diğerlerini ezmesine izin vermek yerine, onları dikkatle dengeler, böylece en bilgilendirici ölçümler tutarlı şekilde öne çıkar. Yöntem verimli olacak şekilde tasarlandı, ölçümlerin hasta sayısından çok daha fazla olduğu durumlarda iyi çalışıyor ve herhangi bir hastalığa özgü varsayımlara dayanmıyor. Bu nedenle sepsis, şizofreni veya karışık tahmin sorunlarının ortaya çıktığı tamamen farklı alanlarda ortak risk belirteçlerine daha net bir pencere sunuyor ve karmaşık, çok katmanlı verileri tanı, prognoz ve tedavi için daha güvenilir ipuçlarına dönüştürmeye yardımcı olabilir.

Atıf: Cao, H., Rajan, S., Hahn, B. et al. A multi-task learning approach combining regression and classification tasks for joint feature selection. Sci Rep 16, 12699 (2026). https://doi.org/10.1038/s41598-026-43551-3

Anahtar kelimeler: çok görevli öğrenme, biyobelirteçler, sepsis, şizofreni, tıbbi yapay zeka