Медичний ШІ навчили адаптуватися до іншої країни й іншої групи пацієнтів без повного перенавчання
Медична модель може чудово працювати в лікарні, де її навчали, і помітно втратити точність після перенесення в іншу країну. Причина — інший вік пацієнтів, поширеність хвороб, структура аналізів і навіть способи збору даних. Нова система CoxRTL намагається вирішити саме цю проблему без повного перенавчання моделі з нуля.
Робота в Nature Machine Intelligence присвячена survival prediction — оцінці ризику події в часі. Такі моделі використовують для прогнозування смертності, прогресування хвороби та інших клінічних результатів.
Проблема називається covariate shift
Навіть якщо зв’язок між факторами ризику та результатом залишається подібним, сам розподіл даних може змінитися. Наприклад, у новій популяції пацієнти можуть бути старшими або мати інший баланс супутніх захворювань.
Звичайна модель сприймає нові дані так, ніби вони походять із того самого середовища, що й навчальна вибірка. Через це її абсолютні ризики стають погано каліброваними.
CoxRTL поєднує transfer learning із додатковою рекалібрацією під умови розгортання. Система використовує інформацію із зовнішньої великої когорти, але підлаштовує прогноз до нового розподілу без необхідності мати велику кількість локальних результатів.
Навіщо це медицині
Більшість клінік не має мільйонів власних записів для навчання складної моделі. Тому практичний шлях — навчити систему на великій базі, а потім безпечно адаптувати її до меншої лікарні або іншої країни.
Саме тут transfer learning може бути кориснішим за створення десятків окремих моделей для кожної популяції.
Водночас адаптація не усуває потреби в локальній перевірці. Модель, яка працює в одній країні, не можна автоматично вважати безпечною в іншій лише через наявність рекалібрації.
Новий метод показує напрям до більш переносимого медичного ШІ: система має не просто давати високу точність у навчальному датасеті, а вміти розпізнавати, що умови змінилися, і коректувати власні прогнози під нову реальність.
Особливо важливо, що проблема перенесення моделі виникає навіть без явної помилки в алгоритмі. Якщо населення, лікарня або протоколи відрізняються від навчальної вибірки, статистичні зв’язки можуть зміщуватися природним чином. Тому здатність до рекалібрації має бути частиною самої інфраструктури медичного ШІ, а не разовим виправленням після невдалого впровадження.
