面向医疗二次问诊的直接不确定性预测
机器学习
2019-05-30 v4 机器学习
摘要
人类专家之间意见不一致的问题在机器学习和医学中均普遍存在。在医学中，这常对应于医生对患者诊断的分歧。在本工作中，我们展示了可训练机器学习模型，为可能导致高度专家分歧的数据实例给出不确定性分数。具体而言，它们能识别出最受益于医疗二次问诊的患者病例。我们的核心方法学发现是：直接不确定性预测（DUP，即训练一个模型直接从原始患者特征预测不确定性分数）优于通过分类的不确定性（Uncertainty Via Classification，即先训练分类器再后处理输出分布以给出不确定性分数的两步过程）。我们通过一个理论结果，以及在大规模医学影像应用上的广泛评估证明了这一点。
引用
@article{arxiv.1807.01771,
title = {Direct Uncertainty Prediction for Medical Second Opinions},
author = {Maithra Raghu and Katy Blumer and Rory Sayres and Ziad Obermeyer and Robert Kleinberg and Sendhil Mullainathan and Jon Kleinberg},
journal= {arXiv preprint arXiv:1807.01771},
year = {2019}
}
备注
Accepted for publication at ICML 2019