Sample Selection Bias in Machine Learning for Healthcare

要約

機械学習アルゴリズムは個別化医療に有望ですが、臨床での採用は依然として限られています。
この制約に寄与する重要な要因の 1 つは、サンプル選択バイアス (SSB) です。これは、研究対象集団が対象集団の代表性が低く、偏った潜在的に有害な決定につながることを指します。
SSB は文献ではよく知られているにもかかわらず、医療向けの機械学習ではほとんど研究されていません。
さらに、既存の手法は、研究と対象母集団の間の分布のバランスを取ることで偏りを修正しようとしますが、その結果、予測性能が失われる可能性があります。
これらの問題に対処するために、私たちの研究では、機械学習アルゴリズムのパフォーマンスに対する SSB の影響を調べることにより、SSB に関連する潜在的なリスクを示しています。
最も重要なことは、バイアス補正ではなく対象集団の特定に基づいて、SSB に対処するための新しい研究の方向性を提案することです。
具体的には、SSB に対処するための 2 つの独立したネットワーク (T-Net) とマルチタスク ネットワーク (MT-Net) を提案します。1 つのネットワーク/タスクは研究母集団を代表するターゲット部分母集団を特定し、2 番目のネットワーク/タスクは特定された部分母集団の予測を行います。
。
合成データセットおよび半合成データセットを使用した実証結果は、SSB が研究対象集団と比較して対象集団のアルゴリズムのパフォーマンスの大幅な低下につながる可能性があること、および対象集団のパフォーマンスに大幅な差が生じる可能性があることを強調しています。
は、研究集団から選択された患者と選択されなかった患者の代表です。
さらに、私たちが提案した手法は、さまざまなデータセットサイズ、イベントレート、選択レートなどのさまざまな設定にわたって堅牢性を示し、既存のバイアス補正手法を上回ります。

要約(オリジナル)

While machine learning algorithms hold promise for personalised medicine, their clinical adoption remains limited. One critical factor contributing to this restraint is sample selection bias (SSB) which refers to the study population being less representative of the target population, leading to biased and potentially harmful decisions. Despite being well-known in the literature, SSB remains scarcely studied in machine learning for healthcare. Moreover, the existing techniques try to correct the bias by balancing distributions between the study and the target populations, which may result in a loss of predictive performance. To address these problems, our study illustrates the potential risks associated with SSB by examining SSB’s impact on the performance of machine learning algorithms. Most importantly, we propose a new research direction for addressing SSB, based on the target population identification rather than the bias correction. Specifically, we propose two independent networks (T-Net) and a multitasking network (MT-Net) for addressing SSB, where one network/task identifies the target subpopulation which is representative of the study population and the second makes predictions for the identified subpopulation. Our empirical results with synthetic and semi-synthetic datasets highlight that SSB can lead to a large drop in the performance of an algorithm for the target population as compared with the study population, as well as a substantial difference in the performance for the target subpopulations that are representative of the selected and the non-selected patients from the study population. Furthermore, our proposed techniques demonstrate robustness across various settings, including different dataset sizes, event rates, and selection rates, outperforming the existing bias correction techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google