面向代价敏感医疗诊断的无监督在线特征选择

在医疗诊断中，医生通过检查从一系列检测（如验血、验尿，随后是侵入性检测）获得的测量值（特征）来预测患者的状态。由于检测通常代价高昂，人们希望仅获取那些能够明确确定状态存在与否的特征（检测）。医疗诊断的另一个方面是，由于患者的真实状态可能未知，我们经常面临无监督预测任务。受此类医疗诊断问题驱动，我们考虑一个「代价敏感医疗诊断」（CSMD）问题，其中患者的真实状态未知。我们将 CSMD 问题表述为一个特征选择问题，其中每次检测给出一个可用于预测模型的特征。我们的目标是学习选择特征的策略，以在准确率和代价之间给出最佳权衡。我们利用问题的「弱支配」（Weak Dominance）性质来开发在线算法，这些算法无需知道医疗状况的真实状态即可识别出在预测代价与准确率之间提供「最优」权衡的特征集合。我们的实证结果在由真实世界数据集生成的问题实例上验证了我们算法的性能。