基于锚回归的 ICU 中的域泛化与域适应
应用统计
2026-03-03 v2 机器学习
统计方法学
机器学习
摘要
临床环境中预测模型在新医院部署时常因分布迁移而导致性能下降。本文对基于因果学启发的异构多中心 ICU 数据上的域泛化进行大规模研究。我们应用锚回归，提出一种新型的、基于树的非线性扩展——锚提升（anchor boosting），应用于来自九个不同 ICU 数据库的 40 万例患者数据。我们发现，锚正则化能显著提升超分布性能，尤其是针对最不相似的目标域。该方法对违反理论假设（如锚外生性）的情况表现出鲁健性。此外，我们提出一种新型概念框架来量化大型外部数据集的实用性。通过评估作为目标域可用数据量的函数而得出的性能，我们识别出三个 regime：(i) 域泛化 regime，仅应使用外部模型；(ii) 域适应 regime，最佳做法是重新拟合外部模型；(iii) 数据丰富 regime，外部数据不再提供额外价值。
引用
@article{arxiv.2507.21783,
title = {Domain Generalization and Adaptation in Intensive Care with Anchor Regression},
author = {Malte Londschien and Manuel Burger and Gunnar Rätsch and Peter Bühlmann},
journal= {arXiv preprint arXiv:2507.21783},
year = {2026}
}