本文研究了在深度神经网络中建模不确定性对生存分析的预测和校准性能的好处，提出了一个贝叶斯深度学习框架，评估了四个基准数据集上的预测表现，并与传统非贝叶斯方法进行比较。

Apr, 2024

开发一种新颖的不确定性量化（UQ）框架，用于在缺乏实际数据的情况下估计患者生存模型的不确定性。通过基于 1383 名脑转移患者的数据集开发和评估我们的方法，我们的研究假设是推理过程中给定测试患者的事件发生时间更加确定，当其在训练集中与其他患者具有更高的特征空间相似性。因此，感兴趣患者的不确定性通过患者相似性排名和预测相似性排名的一致性指数来表示。通过与模型整体区分度指数相比，模型不确定性定义为最大不确定性约束下的增加百分比。我们在多个临床相关的终点变量上评估了我们的方法，包括颅内进展时间（ICP）、放疗后无进展生存时间（PFS）、总生存时间（OS），以及颅内进展时间和 / 或死亡时间（ICPD），应用了统计模型和非统计模型，如 CoxPH、条件生存森林（CSF）和神经多任务线性回归（NMTLR）。我们的结果显示，所有模型在颅内进展时间（2.21%）上的不确定性最低，而在颅内进展时间和 / 或死亡时间（ICPD）（17.28%）上的不确定性最高。总体而言，OS 模型的不确定性表现较高，其中 NMTLR 的不确定性最低（1.96%），而 CSF 的不确定性最高（14.29%）。综上所述，我们的方法可以估计个体患者生存模型的不确定性结果。正如预期的，我们的数据经验证明，通过我们的技术测量的模型不确定性的增加会导致特征空间与预测结果的相似性降低。

Nov, 2023

本研究使用基于贝叶斯的深度学习技术，通过对多发性硬化症患者的 MRI 图像进行数据训练，估计病人的不同治疗方案的后验分布，计算每种治疗方案和任意两种治疗方案之间的个体治疗效应（ITE）并对其不确定性进行评估，从而实现 “精准医学”，并对临床医生的决策提供指导。

May, 2023

本文介绍了如何使用贝叶斯建模和预测不确定性来减少误判和检测出领域外的医疗样本，通过一个贝叶斯神经网络应用于 MIMIC-III 数据集，展示了它在 ICU 患者的死亡风险预测中防止潜在误差和可靠地确定领域外患者的作用，证明了贝叶斯预测不确定性在高风险环境下机器学习模型可靠性的重要性。

Jun, 2019

本文探讨贝叶斯方法在不确定性问题上的推理方法，提出一种简单有效的校准程序，可以保证在足够的数据下，任何回归算法都能够产生准确的校准不确定性估计，并应用于贝叶斯线性回归、前向和递归神经网络中，能够稳定输出准确的区间预测，并提高时间序列预测和基于模型的强化学习性能。

Jul, 2018

研究在医学上，使用其他深度神经网络模型方法来捕捉模型的不确定性，以确定模型决策是否在个体患者上具有一定程度的可靠性，同样通过贝叶斯嵌入，RNN 模型可以更有效地捕获模型的不确定性，研究分析模型不确定性受各种输入特征以及患者亚组的影响。

Jun, 2019

本篇论文提出了一种基于神经网络和新型 dropout - 熵测量方法的模型以及基于特征表示的度量学习方法，可以更精确地预测，提高分类器的预测准确性，尤其在医学诊断等需要确定不确定预测的领域有广泛的应用。

Jul, 2019

利用机器学习方法，比较逻辑回归、支持向量机、决策树、随机森林、极端随机树、最近邻算法和自适应增强等七种分类模型来预测基于 METABRIC 数据集中 1904 名患者记录的 5 年乳腺癌生存率。研究结果表明，这些分类器可以准确预测样品的生存率，分别为 75.4％，74.7％，71.5％，75.5％，70.3％和 78％

Apr, 2023

本文展示了不确定性包装器在医学领域中与可靠方法和透明不确定性量化相结合的机器学习模型的应用和实用价值，以流式细胞术作为一个示例。

Nov, 2023

在临床试验结果预测中，将不确定性量化、选择性分类和层次交互网络（HINT）相融合的方法显著提高了模型的性能，其中 PR-AUC 指标相对基础模型提高了 32.37％、21.43％和 13.27％，在预测 III 期试验时达到了 0.9022 的 PR-AUC 得分，表明该策略在临床试验预测领域具有鲁棒性和前景潜力。

Jan, 2024