Temporales Label Smoothing für die frühe Ereignisvorhersage

Modelle, die Ereignisse vorhersagen können, ohne dass es zu vielen Fehlalarmen kommt, sind entscheidend für die Akzeptanz von Entscheidungsunterstützungssystemen in der medizinischen Gemeinschaft. Diese anspruchsvolle Aufgabe wird in der Regel als einfache binäre Klassifizierung behandelt, wobei zeitliche Abhängigkeiten zwischen den Stichproben ignoriert werden. Wir schlagen hingegen vor, diese Struktur zu nutzen. Zunächst führen wir ein gemeinsames theoretisches Framework ein, das dynamische Überlebensanalyse und frühe Ereignisvorhersage vereint. Nach einer Analyse der Ziele aus beiden Bereichen schlagen wir Temporal Label Smoothing (TLS) vor, eine einfachere, aber dennoch leistungsfähigste Methode, die die Vorhersage-Monotonie über die Zeit beibehält. Indem TLS das Ziel auf Bereiche mit einem stärkeren Vorhersagesignal fokussiert, verbessert es die Leistung bei zwei umfangreichen Benchmark-Aufgaben im Vergleich zu allen Baselines. Die Verbesserungen sind insbesondere in klinisch relevanten Maßen wie dem Ereignis-Recall bei niedrigen Fehlalarmraten bemerkenswert. TLS reduziert die Anzahl der verpassten Ereignisse bis zu einem Faktor von zwei im Vergleich zu bisher verwendeten Ansätzen in der frühen Ereignisvorhersage.