医学应用中有限样本保守预测理论的批判视角
机器学习
2025-12-18 v1 人工智能
统计方法学
摘要
机器学习（ML）正在改变医疗保健，但安全的临床决策需要可靠的不确定性估计，而标准ML模型无法提供。保守预测（Conformal Prediction, CP）是一种流行工具，可将启发式不确定性估计转化为具有统计保证的不确定性估计。CP通过将机器学习模型的预测与校准样本转换为具有任意所需概率保证的预测集来实现工作。常被引用的优势在于，CP理论适用于任意大小的校准样本，暗示即便仅有小规模校准集，仍可实现具有实际意义统计保证的不确定性估计。我们质疑了这一承诺，通过展示尽管统计保证适用于任意大小的校准样本，但这些保证的实际效用高度取决于校准样本的规模。这一观察在医疗领域尤为重要，因为数据稀缺，获取大规模校准集因此不可行。我们通过在医学图像分类任务上的实证演示来支撑我们的批判。
引用
@article{arxiv.2512.14727,
title = {A Critical Perspective on Finite Sample Conformal Prediction Theory in Medical Applications},
author = {Klaus-Rudolf Kladny and Bernhard Schölkopf and Lisa Koch and Christian F. Baumgartner and Michael Muehlebach},
journal= {arXiv preprint arXiv:2512.14727},
year = {2025}
}