分析模型不确定性在电子健康记录中的作用
机器学习
2020-03-27 v3 机器学习
摘要
在医学中，错误预测的伦理与金钱成本都可能十分巨大，且问题的复杂性往往需要使用日益复杂的模型。近期工作表明，仅改变随机种子就足以使原本调优良好的深度神经网络在其个体预测概率上产生差异。有鉴于此，我们研究了模型不确定性方法在医学领域中的作用。使用 RNN 集成和各种贝叶斯 RNN，我们表明群体层面的指标，如 AUC-PR、AUC-ROC、对数似然和校准误差，并不能捕捉模型不确定性。同时，患者特定预测和最优决策中存在显著变异性，这促使了捕捉模型不确定性的需求。理解个体患者的不确定性是具有明确临床影响的领域，例如确定模型决策何时可能脆弱。我们进一步表明，仅带贝叶斯嵌入的 RNN 相比集成可成为捕捉模型不确定性更高效的方式，并分析了模型不确定性如何受个体输入特征和患者子群的影响。
引用
@article{arxiv.1906.03842,
title = {Analyzing the Role of Model Uncertainty for Electronic Health Records},
author = {Michael W. Dusenberry and Dustin Tran and Edward Choi and Jonas Kemp and Jeremy Nixon and Ghassen Jerfel and Katherine Heller and Andrew M. Dai},
journal= {arXiv preprint arXiv:1906.03842},
year = {2020}
}
备注
Published in the ACM Conference on Health, Inference, and Learning (CHIL) 2020. Code available at https://github.com/Google-Health/records-research