U-PASS：一种用于自动睡眠分期的 uncertainty 引导深度学习流水线
信号处理
2023-06-09 v1 机器学习
摘要
随着机器学习在医疗等关键领域日益普及，确保机器学习系统的安全性与可靠性变得至关重要。可靠性的一个关键组成部分是估计不确定性的能力，这有助于识别高置信度与低置信度区域，并降低错误风险。在本研究中，我们提出一种名为 U-PASS 的、面向临床应用的机器学习流水线，其在流程的每个阶段（包括数据采集、训练和模型部署）都引入了不确定性估计。训练过程分为有监督预训练步骤和半监督微调步骤。我们将这一不确定性引导的深度学习流水线应用于具有挑战性的睡眠分期问题，并证明它在每个阶段都系统地提升了性能。通过优化训练数据集、主动寻找信息量大的样本以及将最不确定的样本交由专家处理，我们在老年睡眠呼吸暂停患者的困难临床数据集上达到了 85% 的专家级准确率，相较 75% 的基线准确率有显著提升。U-PASS 代表了一种将不确定性估计纳入机器学习流水线 thereby 提升其可靠性并释放其在临床环境中潜力的有前景的方法。
引用
@article{arxiv.2306.04663,
title = {U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep Staging},
author = {Elisabeth R. M. Heremans and Nabeel Seedat and Bertien Buyse and Dries Testelmans and Mihaela van der Schaar and Maarten De Vos},
journal= {arXiv preprint arXiv:2306.04663},
year = {2023}
}