用于修正学习的预测性病例对照设计
统计方法学
2020-12-01 v1
摘要
临床结局预测模型可利用源数据集开发，并进一步应用于新环境。为实现在新环境中的模型外部验证与模型更新，一种方法是模型修正学习，其包含重新校准总体预测以及修正个体特征效应双重目标。修正学习通常需要在新环境中收集足够数量的真实结局标签样本，由于涉及人类临床专家的抽取标注，这一过程往往昂贵且耗时。为减轻此类新数据收集的标注负担，我们提出了一类基于原始模型评分及其相关结局预测的设计。我们给出数学证明，表明该通用预测评分抽样类可得到用于分析的有效样本。进而，我们具体关注一种分层抽样方法，称之为预测性病例对照（PCC）抽样，与简单随机抽样（SRS）相比，它能在更小样本量下实现双重修正学习目标。PCC 抽样有意过度代表具有信息性评分的个体，我们建议使用 D-最优性与二元熵信息函数来概括样本信息。为在 PCC 类内进行评估设计，我们提供了计算框架以估计并可视化所提信息函数的经验响应曲面。通过蒙特卡洛模拟，我们展示了相较于 SRS，使用 PCC 设计用于修正学习的益处。最后，利用来自腰椎影像与流行病学报告（LIRE）研究的放射学报告数据，我们说明了 PCC 在新结局标签抽取及跨影像模态后续修正学习中的应用。
引用
@article{arxiv.2011.14529,
title = {Predictive case control designs for modification learning},
author = {W Katherine Tan and Patrick J Heagerty},
journal= {arXiv preprint arXiv:2011.14529},
year = {2020}
}