临床试验结果预测中的不确定性量化
机器学习
2024-12-03 v3 机器学习
摘要
不确定性量化在机器学习多样化领域中的重要性日益得到认可。准确评估模型预测的不确定性有助于为研究人员和从业者提供更深入的理解和信心。这在医学诊断和药物发现领域尤为关键，因为可靠的预测直接影响研究质量和患者健康。在本文中，我们提出将不确定性量化纳入临床试验结果预测中。我们的主要目标是增强模型辨别细微差异的能力，从而显著提高其整体性能。为了实现这一目标，我们采用了一种选择性分类（selective classification）方法，并将其与处于临床试验预测建模前沿的层次交互网络（HINT）无缝集成。选择性分类涵盖了一系列不确定性量化方法，使模型能够在面对标记为模糊或低置信度的样本时保留决策权，从而提高其选择分类实例的预测准确性。一系列综合实验表明，将选择性分类纳入临床试验预测显著提升了模型性能，PR-AUC、F1、ROC-AUC 和整体准确率等关键指标均有显著提升。具体而言，所提出的方法在 I 期、II 期和 III 期试验结果预测中，相对于基础模型（HINT）的 PR-AUC 分别实现了 32.37\%、21.43\% 和 13.27\% 的相对提升。在预测 III 期试验时，我们的方法达到了 0.9022 的 PR-AUC 分数。这些发现说明了该策略在临床试验预测领域的稳健性和潜在效用，有望在该领域树立新的基准。
引用
@article{arxiv.2401.03482,
title = {Uncertainty Quantification on Clinical Trial Outcome Prediction},
author = {Tianyi Chen and Yingzhou Lu and Nan Hao and Yuanyuan Zhang and Capucine Van Rechem and Jintai Chen and Tianfan Fu},
journal= {arXiv preprint arXiv:2401.03482},
year = {2024}
}