面向结构缺失协变量的分布鲁棒迁移学习及其在跨国心脏停搏点预测中的应用
应用统计
2026-05-26 v1 人工智能
机器学习
机器学习
摘要
在医疗系统之间部署临床预测模型时，往往因关键训练协变量在部署时不可用，且目标域中标记结果有限而失败。例如，针对外围心脏停搏（OHCA）的高性能模型依赖于高资源地区常收集的详细预hospital 测量值，但在许多国际登记册中不可用。现有方法要么丢弃缺失的协变量，牺牲预测信息，要么依赖其在目标分布上的不可检验假设。我们提出了 DRUM（Distributionally Robust Unsupervised transfer learning with structurally Missing covariates）框架，将预测模型迁移到某些协变量在目标人口中结构性缺失且无结果标签的场景。DRUM 将协变量划分为共享组件（），在所有设置中均可观测，以及缺失组件（），仅在源设置中可观测。DRUM 不进行缺失协变量的插值，而是针对 的未知目标分布，优化最坏情况预测性能，使用神经网络生成器，并通过鲁棒参数控制与源条件的可允许偏差。我们进一步开发了偏差校正程序，以减少对琐事估计误差的敏感性。仿真显示，在分布迁移下，DRUM 在均值和最坏情况预测误差方面均实现了显著改善。应用于跨国 OHCA 预测，将模型从美国登记册迁移到多个亚洲登记册（其中预hospital 变量未记录），DRUM 产生更好的校准预测，并在各站点实现了改进的临床分类性能。
引用
@article{arxiv.2605.24212,
title = {Distributionally Robust Transfer Learning with Structurally Missing Covariates, with Application to Cross-National Cardiac Arrest Prediction},
author = {Siqi Li and Chuan Hong and Ziye Tian and Benjamin Sieu-Hon Leong and Koshi Nakagawa and Hideharu Tanaka and Sang Do Shin and Khuong Quoc Dai and Do Ngoc Son and Marcus Eng Hock Ong and Nan Liu and Molei Liu},
journal= {arXiv preprint arXiv:2605.24212},
year = {2026}
}