Sample Selection Bias in Machine Learning for Healthcare

机器学习算法对于个性化医疗具有潜在的应用前景，但其在临床中的应用仍然受到限制。导致这种限制的一个关键因素是样本选择偏差（SSB），即研究人群的代表性不足以代表目标人群，从而导致偏见和潜在的有害决策。尽管SSB在文献中已经广为人知，但在医疗机器学习中，对其的研究仍然很少。此外，现有的技术试图通过平衡研究和目标人群之间的分布来纠正偏差，但这可能会导致预测性能的下降。为了解决这些问题，我们的研究通过研究SSB对机器学习算法性能的影响，说明了与SSB相关的潜在风险。最重要的是，我们提出了一种新的研究方向，即基于目标人群识别而非偏差校正来解决SSB。具体而言，我们提出了两个独立的网络（T-Net）和一个多任务网络（MT-Net）来解决SSB，其中一个网络/任务识别代表研究人群的目标亚群体，第二个网络/任务为已识别的亚群体进行预测。我们使用合成和半合成数据集的实证结果表明，SSB可能会导致算法在目标人群中的性能大幅下降，与研究人群相比，代表选定和未选定患者的目标亚群体的性能差异也很大。此外，我们提出的技术在各种设置下都表现出了稳健性，包括不同的数据集大小，事件率和选择率，并且优于现有的偏差校正技术。

解决样本选择偏差问题对机器学习算法在医疗中的应用限制，提出一种基于目标人群识别的解决方案。

提出两个独立网络和一个多任务网络，其中一个网络/任务识别代表研究人群的目标亚人群，另一个网络/任务为这个亚人群做出预测。相比现有的偏差校正技术，这种方法更加准确和鲁棒。

论文通过合成和半合成数据集的实验，展示了样本选择偏差会导致算法在目标人群上的性能大幅下降，同时也会导致代表选中和未选中病人的目标亚人群的性能存在明显差异。提出的解决方案表现出鲁棒性，能够适应不同的数据集大小、事件率和选择率，并且优于现有的偏差校正技术。

当前的研究主要集中在使用偏差校正技术来解决样本选择偏差问题，但这种方法可能会降低预测性能。