כתבה
arXiv cs.LG ·
תיקון מודל שלמד סרטן גרוע יותר פירושו סיכון נמוך יותר
Fixing a Model That Learned Worse Cancer Means Lower Risk: Monotonic Constraints in Bladder Cancer Recurrence Prediction
חוקרים פיתחו שיטה לזיהוי ותיקון מודלים שלומדים יחסים הפוכים לציפייה, כמו במקרה של סרטן השופכה. המודל XGBoost למד שדרגת סרטן גבוהה יותר מקושרת לסיכון נמוך יותר, בניגוד לציפייה הרפואית.
תקציר מקורי באנגליתarXiv:2610.00858v1 Announce Type: new Abstract: Background and Objective: Clinicians expect recurrence risk to climb with cancer severity. In a UK multicentre trial, an unconstrained XGBoost model learnt that higher tumour stage and carcinoma in situ predicted lower recurrence risk, and discrimination, calibration, and SHAP were all blind to it. We developed a counterfactual testing framework to detect this inversion and a monotonic-constraint framework to remove it without hurting performance. Methods: BOXIT enrolled 472 patients with protocol-mandated cystoscopy across 51 UK sites (2007-2012); 435 had at least two years' follow-up (153 recurrences, 35.2%). We developed a counterfactual direction test and a monotonic-constraint correction, with constraint directions drawn from the EORTC a
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית