关于将预测模型与临床经验学习对齐：前列腺癌案例研究
机器学习
2025-09-05 v1
摘要
过去十年，机器学习（ML）模型在医疗保健应用中的使用迅速增加。尽管性能卓越，但现代ML模型并不总是捕获终端用户所需的模式。例如，模型可能预测癌症分期与生存率之间存在非单调递减关系，此时其他特征保持不变。在本文中，我们提出了一个可复现的框架，用于探讨模型行为与临床经验学习之间对齐问题，重点关注现代ML管道欠明确（underspecification）的影响。在前列腺癌疗效预测案例研究中，我们首先通过将通过调查收集的临床知识以约束条件纳入ML模型中，以识别并解决这些不一致性，然后分析在不同欠明确程度下对模型性能和行为的影响。该方法表明，在不损害性能的前提下，可以将ML模型与临床经验学习对齐。受生成式AI最新文献的启发，我们进一步通过与临床医生进行随机实验，检验基于反馈驱动对齐方法在非生成式AI临床风险预测模型中的可行性。我们的发现表明，通过我们提出的方法引导临床医生的模型偏好，受约束模型与非约束模型对特定患者预测差异越大，临床解释差异就越明显。
引用
@article{arxiv.2509.04053,
title = {On Aligning Prediction Models with Clinical Experiential Learning: A Prostate Cancer Case Study},
author = {Jacqueline J. Vallon and William Overman and Wanqiao Xu and Neil Panjwani and Xi Ling and Sushmita Vij and Hilary P. Bagshaw and John T. Leppert and Sumit Shah and Geoffrey Sonn and Sandy Srinivas and Erqi Pollom and Mark K. Buyyounouski and Mohsen Bayati},
journal= {arXiv preprint arXiv:2509.04053},
year = {2025}
}