FRAMM：面向临床试验站点选择的缺失模态公平排序框架
人工智能
2023-06-01 v1 机器学习
摘要
尽管已作出诸多努力来解决差异问题，临床试验中性别、种族和少数民族代表不足仍然是一个问题，并削弱了治疗在少数群体中的疗效。本文关注试验站点选择任务，并提出FRAMM，一种用于公平试验站点选择的深度强化学习框架。我们着重解决影响公平试验站点选择的两个现实挑战：许多潜在试验站点的数据模态往往不完整；且站点选择需要同时优化入组与多样性，因为该问题必然是二者之间的权衡，选择后提高多样性的唯一途径是通过上限限制入组。为应对缺失数据挑战，FRAMM具有带掩码交叉注意力机制的模态编码器以处理缺失数据，从而避开数据插补及对训练中完整数据的需求。为应对高效权衡的需求，FRAMM使用具有专门设计奖励函数的深度强化学习，同时优化入组与公平性。我们使用2016至2021年间的4392项真实世界临床试验评估FRAMM，结果表明FRAMM在仅入组设定下优于领先基线，同时在多样性上取得大幅提升。具体而言，相较于领先基线，它能在相似入组水平下使多样性提升9%。该改善的多样性进一步体现为：与仅入组模型选择站点相比，西班牙裔入组提高14%，黑人入组提高27%，亚裔入组提高60%。
引用
@article{arxiv.2305.19407,
title = {FRAMM: Fair Ranking with Missing Modalities for Clinical Trial Site Selection},
author = {Brandon Theodorou and Lucas Glass and Cao Xiao and Jimeng Sun},
journal= {arXiv preprint arXiv:2305.19407},
year = {2023}
}