从医学有序标签预测连续分数的通用框架
图像与视频处理
2023-05-31 v1 计算机视觉与模式识别
机器学习
摘要
临床医学中许多感兴趣的变量，如疾病严重程度，是使用正常/轻度/中度/重度等离散有序类别记录的。这些标签被用于训练和评估疾病严重程度预测模型。然而，有序类别代表了潜在连续严重程度谱的简化。与使用有序类别相比，使用连续分数对检测疾病严重程度随时间的微小变化更为敏感。在此，我们提出一个通用框架，在模型开发期间仅使用离散有序标签即可准确预测连续值变量。我们发现，对于三项临床预测任务，考虑训练标签有序关系的模型优于传统的多类分类模型。特别是，有序分类和回归模型生成的连续分数与专家疾病严重程度排序的相关性显著更高，且均方误差低于多类分类模型。此外，MC dropout 的使用显著提高了所有评估的深度学习方法预测真实反映潜在连续目标变量的连续值分数的能力。我们表明，即使模型开发仅涉及离散有序标签，也能生成准确的连续值预测。该新框架已在三种不同临床预测任务上得到验证，并证明能弥合离散有序标签与潜在连续值变量之间的差距。
引用
@article{arxiv.2305.19097,
title = {A generalized framework to predict continuous scores from medical ordinal labels},
author = {Katharina V. Hoebel and Andreanne Lemay and John Peter Campbell and Susan Ostmo and Michael F. Chiang and Christopher P. Bridge and Matthew D. Li and Praveer Singh and Aaron S. Coyner and Jayashree Kalpathy-Cramer},
journal= {arXiv preprint arXiv:2305.19097},
year = {2023}
}