面向时间偏移的死亡预测深度核学习
摘要
神经模型凭借提供新颖表征的能力，在医疗健康预测任务中展现出有前景的结果。然而，患者人口统计学特征、医疗技术和护理质量会随时间变化。这常导致神经模型对前瞻性患者的性能下降，尤其体现在校准方面。深度核学习（DKL）框架可能对此类变化具有鲁棒性，因为它将神经模型与感知预测不确定性的高斯过程相结合。我们的假设是，分布外测试点将导致概率更接近全局均值，从而防止过度自信的预测。进而，我们假设这将在前瞻性数据上带来更好的校准。本文研究当向队列数据库提供数据的信息系统发生变更而自然引入时间偏移时，DKL的行为表现。我们将DKL的性能与基于循环神经网络的神经基线进行比较。我们表明DKL确实产生了更优的校准预测。我们也确认DKL的预测确实不那么尖锐。此外，DKL的区分能力甚至有所提升：其AUC为0.746（标准差±0.014），而基线为0.739（标准差±0.028）。本文展示了在神经计算中纳入不确定性的重要性，尤其对于其前瞻性应用。
引用
@article{arxiv.2212.00557,
title = {Deep Kernel Learning for Mortality Prediction in the Face of Temporal Shift},
author = {Miguel Rios and Ameen Abu-Hanna},
journal= {arXiv preprint arXiv:2212.00557},
year = {2022}
}
备注
Rios, M., Abu-Hanna, A. (2021). Deep Kernel Learning for Mortality Prediction in the Face of Temporal Shift. In: Tucker, A., Henriques Abreu, P., Cardoso, J., Pereira Rodrigues, P., Ria\~no, D. (eds) Artificial Intelligence in Medicine. AIME 2021. Lecture Notes in Computer Science(), vol 12721. Springer, Cham. https://doi.org/10.1007/978-3-030-77211-6_22