利用不确定性感知因果模型改进基于图像的精准医疗
机器学习
2023-08-11 v4
摘要
基于图像的精准医疗旨在依据个体独特的影像特征个性化治疗决策,从而改善其临床结局。将不确定性估计整合入治疗推荐的机器学习框架会更安全、更可靠。然而,在使不确定性估计技术与验证指标适配精准医疗方面,已有工作甚少。本文中,我们使用贝叶斯深度学习估计多种治疗下事实与反事实结局的后验分布。这允许估计每种治疗选项的不确定性,以及任意两种治疗间的个体治疗效应(ITE)。我们在多发性硬化患者MR脑图像的大型多中心数据集上训练并评估该模型,以预测未来新发及扩大的T2病灶计数,这些患者在随机对照试验中接受了若干治疗。我们评估了不确定性估计与事实误差的相关性,并鉴于缺乏反事实结局真值,展示了ITE预测的不确定性如何关联于ITE误差的界。最后,我们展示了不确定性知识如何改变临床决策制定,以改善个体患者与临床试验结局。
引用
@article{arxiv.2305.03829,
title = {Improving Image-Based Precision Medicine with Uncertainty-Aware Causal Models},
author = {Joshua Durso-Finley and Jean-Pierre Falet and Raghav Mehta and Douglas L. Arnold and Nick Pawlowski and Tal Arbel},
journal= {arXiv preprint arXiv:2305.03829},
year = {2023}
}