探讨非参数深度生存模型在阿尔茨海默病病程分析中的可信度
机器学习
2026-05-07 v1 人工智能
计算机与社会
摘要
阿尔茨海默病痴呆（AD）是一种由不可逆退行性神经退行性疾病标记，可靠地建模其病程对于有效的患者护理至关重要。因此，病程感知方法如生存分析是早期检测和监测AD的关键工具。近期深度学习技术在生存任务中展现出卓越的性能，但在AD领域的研究数量令人惊讶地较少。此外，现有研究不考虑模型内部学习到的偏见，这可能导致对特定边缘群体的预测不公平且不可靠。因此，我们对AD病程分析中的公平性进行严格的研究，并进行彻底的特征重要性研究，以确定最重要的特征特征，以实现可靠的AD预测。进一步地，我们提出两种新颖的公平性指标，称为Time-Dependent Concordance Impurity和Kaplan-Meier Fairness，用于量化对敏感属性（如性别、种族和教育水平）在非参数生存模型中的偏见。我们的研究表明，尽管深度学习驱动的生存模型是能够帮助临床医生在AD护理决策中发挥作用的强大工具，但它们往往表现出显著的偏见，这代表了未来研究的重要方向。
引用
@article{arxiv.2605.04063,
title = {Investigating Trustworthiness of Nonparametric Deep Survival Models for Alzheimer's Disease Progression Analysis},
author = {Jacob Thrasher and Kaitlyn Heintzelman and Peter Martone and David Kotlowski and Binod Bhattarai and Donald Adjeroh and Prashnna Gyawali},
journal= {arXiv preprint arXiv:2605.04063},
year = {2026}
}
备注
12 pages, 6 figures, 2 tables, IEEE/ACM Conference on Connected Health: Applications, Systems, and Engineering Technologies