理解临床模型在域偏移下的行为
机器学习
2019-06-17 v2 人工智能
机器学习
摘要
计算模型能够可靠到足以用于预后和患者照护的假设正在革新医疗保健。尤其是深度学习，在构建预测模型方面已成为改变游戏规则的因素，从而引发了社区范围的数据整理努力。然而，由于人群特征与生物系统的内在变异性，这些模型往往偏向于训练数据集。当模型部署于新环境、存在事先未知的系统域偏移时，这可能构成限制。本文中，我们提出利用给定数据集模拟临床环境中可能出现的大类域偏移，并主张依据这些偏移评估预测模型的行为是量化其可靠性的有效方式。更具体地，我们基于多标签分类中“疾病景观”的分析，开发了一种构建真实场景的方法。利用公开可用的 MIMIC-III 电子健康记录（EHR）数据集进行表型分析，我们的工作首次揭示了深度临床模型可能无法泛化的数据情形。本工作强调了在医疗 AI 中需要由真实世界域偏移驱动的新型验证机制。
引用
@article{arxiv.1809.07806,
title = {Understanding Behavior of Clinical Models under Domain Shifts},
author = {Jayaraman J. Thiagarajan and Deepta Rajan and Prasanna Sattigeri},
journal= {arXiv preprint arXiv:1809.07806},
year = {2019}
}