信息先验提升多模态临床数据分类的可靠性
计算机视觉与模式识别
2023-12-05 v1 人工智能
计算机与社会
机器学习
应用统计
摘要
机器学习辅助的临床决策支持有潜力显著改善患者照护。然而，该领域中对不确定性进行原则性量化的既有努力大多局限于临时方案的套用，无法稳定提升可靠性。本工作中，我们考虑随机神经网络，并设计一种量身定制的多模态数据驱动（M2D2）先验分布作用于网络参数。我们使用简单且可扩展的高斯平均场变分推断，借助 M2D2 先验训练贝叶斯神经网络。我们利用 MIMIC-IV 中的临床时间序列数据与 MIMIC-CXR 中相应的胸部 X 光图像，针对急重症分类训练和评估所提方法。我们的实证结果表明，与确定性和贝叶斯神经网络基线相比，所提方法产生了更可靠的预测模型。
引用
@article{arxiv.2312.00794,
title = {Informative Priors Improve the Reliability of Multimodal Clinical Data Classification},
author = {L. Julian Lechuga Lopez and Tim G. J. Rudner and Farah E. Shamout},
journal= {arXiv preprint arXiv:2312.00794},
year = {2023}
}
备注
Published in ML4H 2023 Findings Track Collection