CURA：面向临床风险预测的临床不确定性风险对齐

临床语言模型（LM）越来越多地用于支持从自由文本笔记中进行临床风险预测，但其不确定性估计往往校准不良且临床不可靠。本文提出了临床不确定性风险对齐框架（CURA），对齐临床LM-based风险估计和不确定性，以匹配个体错误可能性和队列层面的模糊性。CURA首先微调领域特定的临床LM以获得任务适应的患者嵌入，然后对多头分类器进行不确定性微调，使用双层不确定性目标。具体而言，个体层面的校准项将预测不确定性与每个患者错误可能性对齐，而队列感知正则化器将风险估计拉向其在嵌入空间中局部邻域的事件率，并对决策边界附近的模糊队列施加额外权重。我们进一步表明，这一队列感知项可解释为以基于邻域的软标签的交叉熵损失，为该方法提供标签平滑视角。广泛的实验在MIMIC-IV临床风险预测任务上进行，涵盖各种临床LM，结果表明CURA在不显著牺牲判别力的前提下持续改进校准指标。进一步分析表明，CURA减少了过度自信的虚假安慰，为下游临床决策支持提供更可信的不确定性估计。