ICU 时间序列模型可迁移性的域递增持续学习基准
机器学习
2026-05-06 v1
摘要
近年来，机器学习在临床结局预测方面取得了显著进展， demonstrating 越来越准确的结果。然而，需要大量资源才能实现这些模型的部署，例如数据收集、标注和计算资源，这限制了较小医院开发自身模型的可行性。一种替代方法是将由大医院训练的机器学习模型迁移到较小医院，使其能够在各自的患者数据上进行微调。然而，这些模型通常是在单一医院的数据上训练和验证，引发对其在新数据上的通用性的担忧。我们的研究表明，美国不同地区在测量分布和频率方面存在显著差异。为此，我们提出了一个基准测试，用于评估机器学习模型从源域迁移到全国不同地区的能力。该基准测试评估模型在学习有关每个新域有意义信息的同时，保留原始域关键特征的能力。我们将从一个地区到另一个地区的机器学习模型迁移问题，定义为域递增学习问题。虽然患者结局预测任务保持不变，但输入数据分布会变化，这需要模型能够有效管理这些变化。我们评估了两种流行的域递增学习方法：数据重放，该方法存储来自以前数据源的示例以进行当前源的微调；以及弹性权重整合（EWC），这是一种用于维持对两个数据源都重要的特征的模型参数正则化方法。
引用
@article{arxiv.2605.03832,
title = {A Domain Incremental Continual Learning Benchmark for ICU Time Series Model Transportability},
author = {Ryan King and Conrad Krueger and Ethan Veselka and Tianbao Yang and Bobak J. Mortazavi},
journal= {arXiv preprint arXiv:2605.03832},
year = {2026}
}