面向医疗与健康领域事件时间预测的机器学习可解释方法
计算机视觉与模式识别
2024-11-25 v2 应用统计
摘要
事件时间预测（如癌症生存分析或住院时长预测）是医疗与健康应用中极为突出的机器学习任务。然而，仅有少数可解释机器学习方法能够应对其挑战。为便于对生存模型进行全面的解释性分析，我们正式引入了时间相关特征效应与全局特征重要性解释。我们展示了事后解释方法如何借助由1235张X射线图像与人工专家标注的文本放射学报告构建的新型多模态数据集，发现预测住院时长的AI系统中的偏差。此外，我们基于包含来自癌症基因组图谱（TCGA）的11个数据集的大规模基准，在预测性能之外评估癌症生存模型，纳入了多组学特征组的重要性。模型开发者可利用所提方法调试并改进机器学习算法，而医生则可发现疾病生物标志物并评估其显著性。我们希望所贡献的开放数据与代码资源能推动可解释生存分析这一新兴研究方向的未来工作。
引用
@article{arxiv.2303.09817,
title = {Interpretable machine learning for time-to-event prediction in medicine and healthcare},
author = {Hubert Baniecki and Bartlomiej Sobieski and Patryk Szatkowski and Przemyslaw Bombinski and Przemyslaw Biecek},
journal= {arXiv preprint arXiv:2303.09817},
year = {2024}
}
备注
An extended version of an AIME 2023 paper submitted to Artificial Intelligence in Medicine