A generalized framework to predict continuous scores from medical ordinal labels

要約

疾患の重症度など、臨床医学で関心のある多くの変数は、正常/軽度/中等度/重度などの個別の順序カテゴリを使用して記録されます。
これらのラベルは、疾患重症度予測モデルのトレーニングと評価に使用されます。
ただし、順序カテゴリは、基礎となる連続的な重症度スペクトルの単純化を表します。
順序カテゴリの代わりに連続スコアを使用すると、時間の経過に伴う疾患の重症度の小さな変化を検出する感度が高くなります。
ここでは、モデル開発中に離散順序ラベルのみを使用して、連続的に値が付けられる変数を正確に予測する一般化されたフレームワークを紹介します。
3 つの臨床予測タスクでは、トレーニング ラベルの順序関係を考慮したモデルが従来の多クラス分類モデルよりも優れたパフォーマンスを発揮することがわかりました。
特に、順序分類および回帰モデルによって生成された連続スコアは、複数クラス分類モデルと比較して、疾患重症度の専門家ランキングとの有意に高い相関と、より低い平均二乗誤差を示しました。
さらに、MC ドロップアウトの使用により、評価されたすべての深層学習アプローチの、基礎となる連続ターゲット変数を忠実に反映する連続値スコアを予測する能力が大幅に向上しました。
モデル開発に離散順序ラベルのみが含まれる場合でも、正確な連続値の予測を生成できることを示しました。
新しいフレームワークは 3 つの異なる臨床予測タスクで検証され、離散順序ラベルと基礎となる連続値変数の間のギャップを埋めることが証明されました。

要約(オリジナル)

Many variables of interest in clinical medicine, like disease severity, are recorded using discrete ordinal categories such as normal/mild/moderate/severe. These labels are used to train and evaluate disease severity prediction models. However, ordinal categories represent a simplification of an underlying continuous severity spectrum. Using continuous scores instead of ordinal categories is more sensitive to detecting small changes in disease severity over time. Here, we present a generalized framework that accurately predicts continuously valued variables using only discrete ordinal labels during model development. We found that for three clinical prediction tasks, models that take the ordinal relationship of the training labels into account outperformed conventional multi-class classification models. Particularly the continuous scores generated by ordinal classification and regression models showed a significantly higher correlation with expert rankings of disease severity and lower mean squared errors compared to the multi-class classification models. Furthermore, the use of MC dropout significantly improved the ability of all evaluated deep learning approaches to predict continuously valued scores that truthfully reflect the underlying continuous target variable. We showed that accurate continuously valued predictions can be generated even if the model development only involves discrete ordinal labels. The novel framework has been validated on three different clinical prediction tasks and has proven to bridge the gap between discrete ordinal labels and the underlying continuously valued variables.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google