实践中的贝叶斯建模：利用不确定性提升医疗应用的可信度
机器学习
2024-07-26 v2 人工智能
机器学习
摘要
重症监护室（ICU）是一个机器学习有潜力为临床决策提供宝贵协助的医院科室。经典机器学习模型通常仅提供点估计而无预测不确定性。在实践中，不确定的预测应以额外谨慎呈现给医生，以防潜在的灾难性治疗决策。在本工作中，我们展示贝叶斯建模及其提供的预测不确定性如何被用于降低误导性预测的风险，并在医疗环境中检测域外样本。我们从解析上推导了关于预测不确定性的预测损失上界。该上界表明不确定性可减轻损失。此外，我们将贝叶斯神经网络应用于 MIMIC-III 数据集，预测 ICU 患者的死亡风险。我们的实证结果显示不确定性确实可防止潜在错误并可靠地识别域外患者。这些结果表明贝叶斯预测不确定性可极大提升高风险环境（如 ICU）中机器学习模型的可信度。
引用
@article{arxiv.1906.08619,
title = {Bayesian Modelling in Practice: Using Uncertainty to Improve Trustworthiness in Medical Applications},
author = {David Ruhe and Giovanni Cinà and Michele Tonutti and Daan de Bruin and Paul Elbers},
journal= {arXiv preprint arXiv:1906.08619},
year = {2024}
}
备注
Presented at AISG @ ICML2019: https://aiforsocialgood.github.io/icml2019/index.htm