基于医学文本的医疗诊断中不确定性感知的弃权
计算与语言
2025-02-26 v1
摘要
本研究探讨了AI辅助医疗诊断中可靠性的关键问题。我们专注于选择性预测方法，该方法允许诊断系统在对其诊断没有信心时放弃提供决策。这种选择性预测（或弃权）方法通常基于对所涉及的机器学习模型的预测不确定性进行建模。本研究探索了用于医学文本分析的机器学习模型中的不确定性量化，涉及多个数据集上的不同任务。我们专注于来自MIMIC-III文本数据的二元死亡率预测、使用MIMIC-IV中ICD-10代码的多标签医疗代码预测，以及使用私有门诊就诊数据集的多类分类。此外，我们还分析了针对抑郁症和焦虑症检测的心理健康数据集，利用了各种基于文本的来源，如论文、社交媒体帖子和临床描述。除了比较不确定性方法外，我们还引入了HUQ-2，这是一种用于增强选择性预测任务可靠性的最新方法。我们的结果提供了不确定性量化方法的详细比较。它们展示了HUQ-2在捕获和评估不确定性方面的有效性，为医学文本分析中更可靠和可解释的应用铺平了道路。
引用
@article{arxiv.2502.18050,
title = {Uncertainty-aware abstention in medical diagnosis based on medical texts},
author = {Artem Vazhentsev and Ivan Sviridov and Alvard Barseghyan and Gleb Kuzmin and Alexander Panchenko and Aleksandr Nesterov and Artem Shelmanov and Maxim Panov},
journal= {arXiv preprint arXiv:2502.18050},
year = {2025}
}