利用集成学习器的不确定性以改善医疗人工智能中的决策制定

集成学习广泛应用于机器学习（ML）中以提升模型性能并降低决策风险。在该方法中，来自一组多样化学习器的预测被结合以获得联合决策。近期，文献中探讨了多种利用集成学习估计决策不确定性的方法；然而，确定哪些指标更适合特定的决策应用仍是一项具有挑战性的任务。本文研究了不确定性指标选择中的以下关键研究问题：一个不确定性指标何时优于另一个？我们通过对集成学习中两种常用不确定性指标（即集成均值和集成方差）的严格分析来回答此问题。我们证明，在对集成学习器的温和假设下，作为决策制定的不确定性指标，集成均值优于集成方差。我们通过一个广泛的案例研究——可转诊糖尿病视网膜病变的诊断——实证验证了我们的假设与理论结果。