具有校准不确定性量化的证据生存时间预测
机器学习
2024-12-16 v2
摘要
生存时间分析为临床预后和治疗建议提供了洞见。然而，由于存在删失观测，该任务比标准回归问题更具挑战性。此外，缺乏置信度评估、模型鲁棒性和预测校准，引发了对预测可靠性的担忧。为应对这些挑战，我们提出了一种专为生存时间预测设计的证据回归模型。该模型利用高斯随机模糊数和信任函数来量化认知不确定性和偶然不确定性，为临床医生提供具有不确定性感知的生存时间预测。该模型通过最小化一个考虑数据删失的广义负对数似然函数进行训练。使用具有不同数据分布和删失条件的模拟数据集，以及跨不同临床应用的真实世界数据集进行的实验评估表明，我们的模型提供了既准确又可靠的性能，优于最先进的方法。这些结果凸显了我们的方法在增强生存分析中的临床决策方面的潜力。
引用
@article{arxiv.2411.07853,
title = {Evidential time-to-event prediction with calibrated uncertainty quantification},
author = {Ling Huang and Yucheng Xing and Swapnil Mishra and Thierry Denoeux and Mengling Feng},
journal= {arXiv preprint arXiv:2411.07853},
year = {2024}
}
备注
Preprint submitted to International Journal of Approximate Reasoning