Adversarial Drift-Aware Predictive Transfer: Toward Durable Clinical AI

技术摘要：对抗性漂移感知预测迁移 (ADAPT)

问题陈述
临床人工智能系统在部署后经常遭受性能衰减（“老化”）的影响，这是由于时间性的数据偏移所致。这些偏移源于不断变化的患者人口统计学特征、诊断编码标准的变化（例如从 ICD-9 到 ICD-10）以及系统性冲击（如大流行病）。现有解决方案面临显著局限性：

1. 频繁重训： 由于高昂的计算成本、隐私限制以及重复进行专家标注的极高成本，持续使用新的带标签数据来更新模型通常是不切实际的。
2. 现有迁移学习： 当前的领域自适应方法通常针对当前分布进行优化，未能主动防范未来的性能退化。
3. 分布鲁棒优化 (DRO)： 虽然 DRO 旨在针对不确定性集优化最差情况下的性能，但现有的应用往往会产生过于保守的模型，从而牺牲了对当前目标人群的准确性。此外，许多 DRO 实现要求访问来自所有来源的个体级数据，这带来了隐私和实施方面的障碍。

方法论：ADAPT 框架
作者提出了对抗性漂失感知预测迁移 (AD_APT)，这是一个旨在以极少的重训次数实现对时间性漂移的持久性的框架。该方法基于这样一个前提：未来的群体偏移很可能存在于过去和现在数据中所观察到的机制的连续体之中。ADAPT 执行一个三步过程，仅需要历史站点层面的汇总统计数据（模型系数），从而保护了数据隐私。

1. 捕捉历史与当前信号：

   • 该框架利用广义线性模型 (GLM) 来估计多个历史源时期 ($l = 1, \dots, L$) 和当前目标时期 ($Q$) 的系数向量 ($\beta$)。
   • 当前目标数据被划分为估计集（用于训练初始当前目标模型）和留出评估集（用于验证未来混合模型的合理性）。

2. 定义合理未来的地平线（不确定性集构建）：

   • ADAPT 构建了一个代表合理未来模型配置的不确定性集。该集合被定义为历史源模型与当前目标模型的凸组合（加权混合）。
   • 这种构建方式作为一种正则化项，编码了这样一种先验信念：即未来的目标模型位于由历史模型所构成的子空间附近。
   • 通过仅保留在留出评估集上表现良好的混合模型来精炼该集合，从而过滤掉过时的组合。一个调节参数平衡了拟合当前数据（准确性）与允许偏差以应对漂移（鲁棒性）之间的权衡。

3. 用于鲁棒性的对抗性优化：

   • ADAPT 不仅仅是最小化单个分布上的误差，而是采用了一种极大极小策略（minimax strategy）：它寻求一个模型 ($\beta_{ADAPT}$)，该模型能在构建的不确定性集内的最差情况下最小化预测误差。
   • 为了避免标准对抗训练在计算上的不可行性，ADAPT 利用了围绕当前目标模型的二阶解析近似。这产生了一个闭式、“单步”估计器，具有计算高效性和统计稳定性。

核心贡献

• 新颖框架： 引入了 ADAPT，它通过对抗性优化将历史知识与新兴趋势相结合，以确保预测在无需未来重训的情况下，对未来患者保持稳定。
• 隐私保护的可扩展性： 该方法仅需要来自历史时期的汇总级模型估计量（系数），无需共享原始患者数据或从头开始重训复杂的模型。
• 平衡的鲁棒性： 与可能过于保守的标准 DRO 方法不同，ADAPT 通过显式构建合理的确定性集，避免了牺牲当前的准确性，同时保障了对未来退化的鲁棒性。

结果
该框架通过合成实验以及针对 Mass General Brigham (MGB, 2005–2021) 和 Duke University Health Systems (Duke) 电子健康档案 (EHR) 的真实世界自杀风险预测案例研究进行了验证。

• 合成数据：
  • 当前准确性： 即使在当前样本量有限 ($\rho = 0.1$) 的情况下，ADAPT 的表现也始终优于或匹配了最先进的基准模型（Target-only, Pooled, TransGLM, Maximin）。
  • 未来泛化能力： 在时间性偏移下，ADAPT 展示了卓越的稳定性，在所有数据可用性比例下均实现了最高的 worst-case AUC。在遭受突发分布偏移（模拟编码转换）时，其性能保持能力优于基准模型。
• 真实世界自杀风险预测：
  • 当前目标性能： 在 MGB 数据上，AD_APT 实现了最高的平均 AUC (0.815)，优于 Pooled (0.800)、TransGLM (0.794) 和 Target-only (0.763)。
  • 长期稳定性： 当在早期年份训练的模型在 2020 年数据上进行评估时，ADAPT 显示出最小的性能衰减。对于 8 年的时间跨度，ADAPT 的平均退化率为 7.65%，显著低于 Target-only (17%+) 和 TransGLM (18%+)。
  • 跨机构泛化： 当在 MGB 上训练的模型迁移到 Duke 时，ADAPT 保持了最高的 AUC (0.800) 并展示了对站点异质性的鲁棒性。
  • 特征稳定性： 对前 10 个最具影响力特征（如自杀意念、双相情感障碍）的分析显示，AD_APT 生成的系数具有较低的年际标准差 (0.086)，相比之下 Target-only 为 (0.179)，这表明其捕捉到了持久的信号而非瞬时噪声。

意义与主张
论文声称 ADAPT 通过提供一条在动态临床环境中维持可靠模型的规模化路径，解决了临床 AI 的关键转化差距。通过整合对抗性鲁棒性、隐私保护和极少的重训需求，该框架：

1. 延长模型寿命： 它通过预判未来的变化而非仅仅是对变化做出反应，减少了所需重训的频率。
2. 确保操作简便性： “单步”解析解允许近乎瞬时的更新，相比于复杂的迭代重训。
3. 提升临床信任： 通过在无需标注未来数据的情况下最小化年度性能衰减，AD_APT 提供了一种机制，用以在失败可能导致严重后果的高风险医疗环境中维持安全性与有效性。

作者指出，虽然 ADAPT 假设未来的偏移遵循过去观察到的模式，但真正的、史无前例的事件（如新的大流行病）可能需要补充性的策略。未来的工作被确定为将该框架扩展到复杂的神经网络架构并集成半监督学习。