概率临床模型为何难以在不同站点间迁移？
机器学习
2023-12-29 v2 性能
机器学习
摘要
人工智能在医疗健康领域日益流行，凸显出一个问题：在计算模型于训练站点达到超越人类的临床表现后，在新站点上的表现可能大幅变差。在本观点文章中，我们给出了导致这种迁移失败的常见根源，并将其划分为实验者可控制的根源与临床数据生成过程固有的根源。对于固有根源，我们稍深入地考察了可能影响数据分布的站点特定临床实践，并提出了一种潜在解决方案，旨在将这些实践对数据的印记与疾病因果模式（后者通常是概率临床模型的常规目标）相隔离。
引用
@article{arxiv.2311.04787,
title = {Why Do Probabilistic Clinical Models Fail To Transport Between Sites?},
author = {Thomas A. Lasko and Eric V. Strobl and William W. Stead},
journal= {arXiv preprint arXiv:2311.04787},
year = {2023}
}
备注
20 pages, 3 figures