通过跨多个队列的域适应提高髋骨骨折风险预测的泛化性
机器学习
2026-02-23 v1
摘要
临床风险预测模型常常在队列之间难以实现泛化，因为底层数据分布因临床站点、地区、人口学特征以及测量协议的不同而有所差异。这一限制在髋骨骨折风险预测中尤为突出，训练于一个队列（源队列）的模型在部署到其他队列（目标队列）时性能会显著下降。我们使用来自三个大型队列的共享临床和 DXA 派生特征——Study of Osteoporotic Fractures (SOF)、Osteoporotic Fractures in Men Study (MrOS) 和 UK Biobank (UKB)——系统评估了三种域适应方法——最大均值不等式 (MMD)、相关性对齐 (CORAL) 和域对抗神经网络 (DANN) 及其组合。对于仅包含男性的源队列和仅包含女性的源队列，域适应方法始终显示出优于无适应基线（仅源训练）的改进性能，多域适应方法的组合实现了最大且最稳定的提升。将 MMD、CORAL 和 DANN 组合使用的方法，在仅包含男性的源队列下的 AUC 为 0.88，在仅包含女性的源队列下的 AUC 为 0.95，表明整合多种域适应方法可产生对数据集差异不那么敏感的特征表示。与现有方法依赖严格监督调优或假设目标队列样本已知结果不同，我们的方法无需 outcome 即可实现，从而在实际部署条件下支持模型选择并提高髋骨骨折风险预测的泛化性。
引用
@article{arxiv.2602.17962,
title = {Improving Generalizability of Hip Fracture Risk Prediction via Domain Adaptation Across Multiple Cohorts},
author = {Shuo Sun and Meiling Zhou and Chen Zhao and Joyce H. Keyak and Nancy E. Lane and Jeffrey D. Deng and Kuan-Jui Su and Hui Shen and Hong-Wen Deng and Kui Zhang and Weihua Zhou},
journal= {arXiv preprint arXiv:2602.17962},
year = {2026}
}
备注
26 pages, 3 tables, 1 figure