CASCADE 型 conformal 预测：面向两阶段临床决策支持的不确定性自适应预测区间
机器学习
2026-05-21 v1 统计方法学
机器学习
摘要
帕金森病（PD）中有效的药物管理面临疾病发展异质性、患者反应差异以及药物副作用等挑战。 虽然AI模型可预测每日 equivalent levodopa 剂量（LEDD）作为药物需求的衡量标准，但标准的不确定性量化往往无法传达这些预测可靠性的程度，使高置信度和低置信度临床决策被同等对待。 我们引入CASCADE（Calibrated Adaptive Scaling via Conformal And Distributional Estimation），一种新型conformal预测框架，通过传递筛查分类器的认识不确定性来适应下游预测。 不同于依赖辅助残差回归的标准conformal方法，我们利用主要分类任务（识别是否需要药物变更）的认识不确定性，以动态方式扩展次级回归任务（预测变更幅度）的预测区间。 通过将Venn-Abers多概率不确定性直接映射到非惯例得分，我们的框架实现了持续的风险自适应。 我们演示了这种“级联效应”为确信患者（比标准conformal基线窄38.9%）产生高度有效的区间，同时自动扩大不确定案例的区间以确保稳健覆盖率，弥合了离散临床决策与PD中连续剂量预测之间的差距。
关键词
引用
@article{arxiv.2605.20468,
title = {CASCADE Conformal Prediction: Uncertainty-Adaptive Prediction Intervals for Two-Stage Clinical Decision Support},
author = {Ricardo Diaz-Rincon and Muxuan Liang and Adolfo Ramirez-Zamora and Benjamin Shickel},
journal= {arXiv preprint arXiv:2605.20468},
year = {2026}
}
备注
Accepted to ICML 2026 AgenticUQ Workshop. 14 Pages, 3 Figures