مقاله HypUC: کالیبراسیون عدم اطمینان فوق ظریف با اصلاحات افزایش یافته شیب برای رگرسیون قابل اتکا در الکتروکاردیوگرام نامتوازن

چکیده

The automated analysis of medical time series, such as the electrocardiogram (ECG), electroencephalogram (EEG), pulse oximetry, etc, has the potential to serve as a valuable tool for diagnostic decisions, allowing for remote monitoring of patients and more efficient use of expensive and time-consuming medical procedures. Deep neural networks (DNNs) have been demonstrated to process such signals effectively. However, previous research has primarily focused on classifying medical time series rather than attempting to regress the continuous-valued physiological parameters central to diagnosis. One significant challenge in this regard is the imbalanced nature of the dataset, as a low prevalence of abnormal conditions can lead to heavily skewed data that results in inaccurate predictions and a lack of certainty in such predictions when deployed. To address these challenges, we propose HypUC, a framework for imbalanced probabilistic regression in medical time series, making several contributions. (i) We introduce a simple kernel density-based technique to tackle the imbalanced regression problem with medical time series. (ii) Moreover, we employ a probabilistic regression framework that allows uncertainty estimation for the predicted continuous values. (iii) We also present a new approach to calibrate the predicted uncertainty further. (iv) Finally, we demonstrate a technique to use calibrated uncertainty estimates to improve the predicted continuous value and show the efficacy of the calibrated uncertainty estimates to flag unreliable predictions. HypUC is evaluated on a large, diverse, real-world dataset of ECGs collected from millions of patients, outperforming several conventional baselines on various diagnostic tasks, suggesting a potential use-case for the reliable clinical deployment of deep learning models.

چکیده به فارسی (ترجمه ماشینی)

تجزیه و تحلیل خودکار سری زمانی پزشکی ، مانند الکتروکاردیوگرام (ECG) ، الکتروانسفالوگرام (EEG) ، پالس اکسی متری و غیره ، این پتانسیل را دارد که به عنوان ابزاری ارزشمند برای تصمیمات تشخیصی خدمت کند ، امکان نظارت از راه دور از بیماران و استفاده کارآمدتر از آن را فراهم می کند.روشهای پزشکی گران و وقت گیر.شبکه های عصبی عمیق (DNN) برای پردازش چنین سیگنالهایی به طور مؤثر نشان داده شده است.با این حال ، تحقیقات قبلی در درجه اول به جای تلاش برای رکود پارامترهای فیزیولوژیکی با ارزش مداوم برای تشخیص ، بر طبقه بندی سری زمانی پزشکی متمرکز شده است.یکی از چالش های مهم در این زمینه ، ماهیت نامتعادل مجموعه داده ها است ، زیرا شیوع کم شرایط غیر طبیعی می تواند منجر به داده های به شدت ناچیز شود که منجر به پیش بینی های نادرست و عدم اطمینان در چنین پیش بینی هایی در هنگام استقرار می شود.برای پرداختن به این چالش ها ، ما Hypuc را پیشنهاد می کنیم ، چارچوبی برای رگرسیون احتمالی نامتوازن در سری زمانی پزشکی ، و چندین کمک را انجام می دهیم.(i) ما یک تکنیک ساده مبتنی بر چگالی هسته را برای مقابله با مشکل رگرسیون نامتوازن با سری زمانی پزشکی معرفی می کنیم.(ب) علاوه بر این ، ما از یک چارچوب رگرسیون احتمالی استفاده می کنیم که تخمین عدم اطمینان را برای مقادیر مداوم پیش بینی شده امکان پذیر می کند.(iii) ما همچنین یک رویکرد جدید برای کالیبراسیون عدم اطمینان پیش بینی شده ارائه می دهیم.(IV) سرانجام ، ما تکنیکی را برای استفاده از برآوردهای عدم اطمینان کالیبره شده برای بهبود ارزش مداوم پیش بینی شده نشان می دهیم و اثربخشی تخمین های عدم اطمینان کالیبره شده را برای پرچم پیش بینی های غیرقابل اعتماد نشان می دهیم.Hypuc بر روی یک مجموعه داده بزرگ ، متنوع و واقعی از ECG جمع آوری شده از میلیون ها بیمار ارزیابی می شود و از چندین پایه معمولی در کارهای مختلف تشخیصی استفاده می کند ، و این نشان می دهد یک مورد استفاده بالقوه برای استقرار بالینی قابل اعتماد از مدلهای یادگیری عمیق است.