HypUC：基于梯度提升修正的超精细不确定性校准用于不平衡心电图的可靠回归
机器学习
2023-11-27 v1 人工智能
计算工程、金融与科学
应用统计
摘要
对心电图（ECG）、脑电图（EEG）、脉搏血氧仪等医学时间序列的自动化分析，有潜力成为诊断决策的宝贵工具，可实现患者远程监测并更高效利用昂贵耗时的医疗流程。深度神经网络（DNNs）已被证明能有效处理此类信号。然而，既往研究主要聚焦于医学时间序列的分类，而非回归对诊断核心的连续值生理参数。此方面一大挑战是数据集的不平衡性：异常状况的低患病率导致数据严重偏斜，致使部署时预测不准确且此类预测缺乏确定性。为应对这些挑战，我们提出HypUC，一种用于医学时间序列不平衡概率回归的框架，并作出若干贡献。（i）我们引入一种简单的基于核密度的技术，以解决医学时间序列的不平衡回归问题。（ii）此外，我们采用概率回归框架，可对预测连续值进行不确定性估计。（iii）我们还提出一种进一步校准预测不确定性的新方法。（iv）最后，我们展示一种利用校准不确定性估计改进预测连续值的技术，并表明校准不确定性估计在标记不可靠预测上的效能。HypUC在来自数百万患者的大规模多样真实世界ECG数据集上评估，于多项诊断任务超越若干常规基线，提示了深度学习模型可靠临床部署的潜在用例。
引用
@article{arxiv.2311.13821,
title = {HypUC: Hyperfine Uncertainty Calibration with Gradient-boosted Corrections for Reliable Regression on Imbalanced Electrocardiograms},
author = {Uddeshya Upadhyay and Sairam Bade and Arjun Puranik and Shahir Asfahan and Melwin Babu and Francisco Lopez-Jimenez and Samuel J. Asirvatham and Ashim Prasad and Ajit Rajasekharan and Samir Awasthi and Rakesh Barve},
journal= {arXiv preprint arXiv:2311.13821},
year = {2023}
}
备注
Published at TMLR