基于神经网络疼痛强度估计中的不确定性量化
机器学习
2023-11-30 v2
摘要
不当的疼痛管理会导致严重的身体或精神后果,包括痛苦以及阿片类药物依赖风险增加。评估疼痛的存在与严重程度对于预防此类后果并确定适当干预措施至关重要。然而,疼痛强度评估具有挑战性,因为不同个体的疼痛体验不同。为克服这一点,研究者已采用机器学习模型客观评估疼痛强度。但这些努力主要聚焦于疼痛的点估计,忽视了数据与模型中固有的不确定性和变异性。因此,点估计仅为临床决策提供部分信息。本研究提出一种基于神经网络、融合不确定性量化的客观疼痛区间估计方法。本工作探索三种算法:自助法、由遗传算法优化的上下界估计(LossL),以及由梯度下降算法优化的改进上下界估计(LossS)。我们的实证结果显示,LossS 以提供更窄预测区间优于另两者。由于 LossS 表现更优,我们评估了其在三种不同疼痛评估场景下的性能:(1) 通用方法(针对全体人群单一模型),(2) 个性化方法(针对每个个体单独模型),以及(3) 混合方法(针对每个个体簇单独模型)。我们的发现证明了混合方法的优越性能,并在临床情境中具有显著实用性。它有望成为临床医生的宝贵工具,在考虑不确定性的同时实现客观疼痛强度评估。该能力对促进有效疼痛管理及降低不当治疗相关风险至关重要。
引用
@article{arxiv.2311.08569,
title = {Uncertainty Quantification in Neural-Network Based Pain Intensity Estimation},
author = {Burcu Ozek and Zhenyuan Lu and Srinivasan Radhakrishnan and Sagar Kamarthi},
journal= {arXiv preprint arXiv:2311.08569},
year = {2023}
}
备注
26 pages, 5 figures, 9 tables