2 статей
Разработан новый вычислительный фреймворк на основе машинного обучения и вложенного конформного прогнозирования для перехода к мультилейбл-классификации при малых выборках. Метод позволяет эффективно проводить подтипирование пациентов (на примере данных РНК-секвенирования рака молочной железы) с учетом неопределенности и гетерогенности образцов.
Данная научная работа посвящена критическому анализу применения теории конформного прогнозирования (conformal prediction) в контексте медицины, где критически важна оценка неопределенности прогнозов. Авторы исследуют ограничения существующих методов при работе с конечными выборками данных, что является ключевой проблемой в клинической практике из-за ограниченности наборов данных по редким заболеваниям. В статье рассматривается, как математические гарантии покрытия (coverage guarantees) адаптируются к реальным медицинским сценариям и насколько они надежны при малом объеме обучающих данных. Методология исследования включает теоретический анализ и оценку устойчивости алгоритмов к смещению распределения данных. Ключевым выводом является необходимость разработки более робастных методов конформного прогнозирования, способных обеспечивать строгую статистическую достоверность в условиях высокой вариативности медицинских показателей. Работа имеет высокую значимость для разработки систем поддержки принятия врачебных решений, где цена ошибки при неверной оценке вероятности диагноза крайне высока.
