利用不确定性感知因果模型改进基于图像的精准医学
摘要：基于图像的精准医疗旨在根据个体独特的影像特征个性化治疗决策，以提高临床结果。结合不确定性估计的机器学习框架能够更安全、更可靠地进行治疗建议。然而，目前在精准医疗中很少有关于适应不确定性估计技术和验证指标的研究。本文利用贝叶斯深度学习来估计多种治疗方案的事实和反事实结果的后验分布。这允许估计每种治疗选择的不确定性以及任意两种治疗方案之间的个体治疗效果（ITE）。我们使用大型多中心数据集，通过训练和评估该模型来预测多发性硬化症患者的MR脑图像中未来新出现和扩大的T2病灶计数，这些患者在随机对照试验期间接受了多种治疗。我们评估了不确定性估计与事实误差的相关性，并在缺乏对照的情况下演示了ITE预测的不确定性与ITE误差界限的关系。最后，我们展示了如何利用不确定性知识修改临床决策，以改善个体患者和临床试验的结果。
作者：Joshua Durso-Finley, Jean-Pierre Falet, Raghav Mehta, Douglas L. Arnold, Nick Pawlowski, Tal Arbel
论文ID：2305.03829
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-11