机构名称：
¥ 2.0
尽管机器学习算法对个性化医学有希望，但其临床采用仍然有限。导致这种限制的一个关键因素是样本选择偏见（SSB），它是指研究人群不太代表目标人群，从而导致偏见且潜在的有害决定。尽管在文献中众所周知，但SSB在医疗保健机器学习中几乎没有研究。此外，现有技术试图通过平衡研究和目标人群之间的分布来纠正偏见，这可能导致预测性能的丧失。为了解决这些问题，我们的研究通过检查SSB对机器学习算法的性能的影响来说明与SSB相关的潜在风险。最重要的是，我们根据目标人群识别而不是偏见校正提出了一个新的研究方向，以解决SSB。具体而言，我们提出了两个用于解决SSB的独立网络（T-NET）和一个多任务网络（MT-NET），其中一个网络/任务标识了代表研究人群的目标亚群，第二个网络/任务对已识别的亚种群进行了预测。与研究人群相比，SSB可以通过合成和半合成数据集的突出显示，SSB可以导致目标人群的算法的性能大幅下降，并且目标亚群的绩效差异很大，而目标亚群的绩效差异很大，而该目标亚群体代表了所选的患者和研究人群的非秘密患者。此外，我们提出的技术证明了各种环境的鲁棒性，包括不同的数据集大小，事件速率和选择率，表现优于现有的偏见校正技术。
医疗保健机器学习中的样本选择偏差
主要关键词
相关文件推荐
