CASCADE Conformal Prediction: Uncertainty-Adaptive Prediction Intervals for Two-Stage Clinical Decision Support

技术摘要：CASCADE 共形预测

问题陈述
帕金森病（PD）的有效药物管理因疾病进展的异质性和患者反应的差异性而变得复杂。PD 的临床决策支持系统通常采用两阶段架构：首先由分类器判断是否需要调整药物（第一阶段），随后由回归器预测剂量应改变多少（第二阶段），通常以左旋多巴等效日剂量（LEDD）来衡量。

当前此类系统的不确定性量化（UQ）方法存在一个关键缺口。标准的共形预测（CP）方法将回归阶段孤立处理，忽略了上游分类阶段产生的认知不确定性。因此，模型可能会为干预决策高度模糊的患者（例如 55% 的确定性）生成静态且狭窄的预测区间，同时为需求明确的患者（例如 99% 的确定性）生成相似的区间。这种“僵化的保守主义”未能传达预测的可靠性，可能导致在模糊案例中产生危险的过度自信，而在明确案例中造成不必要的保守。

方法论：CASCADE 框架
作者提出了CASCADE（通过共形和分布估计进行校准的自适应缩放），这是一个将认知不确定性从筛查分类器传播到下游预测区间以进行动态缩放的框架。

1. 认知不确定性量化（第一阶段）：
   该框架不依赖标准的概率输出，而是采用Venn-Abers（VA）预测器为分类任务生成多概率区间 $[p_0(x), p_1(x)]$。不确定性得分 $u_{VA}(x)$ 定义为该区间的长度（$p_1(x) - p_0(x)$）。较宽的区间表明关于是否真正需要药物变更存在更高的模糊性。

2. 自适应共形校准（第二阶段）：
   $u_{VA}(x)$ 得分被直接映射到回归任务的非共形得分。作者提出了两种策略：

   • 蒙德里安（离散）方法： 校准集根据 $u_{VA}(x)$ 的分位数划分为层。预测区间仅使用相应层中的残差构建。虽然有效，但该方法存在数据碎片化问题。
   • 连续级联方法： 该方法利用由敏感度因子 $\beta$ 参数化的均值中心化缩放函数 $\sigma(x)$：
     $$\sigma(x) = 1 + \beta \left( \frac{u_{VA}(x)}{\bar{u}_{VA}} - 1 \right)$$
     其中，$\bar{u}_{VA}$ 是校准集的平均不确定性。如果患者的不确定性高于平均值，区间则扩大；如果低于平均值，区间则缩小。最终的预测区间使用缩放后的非共形得分的全局分位数构建，确保区间长度随临床决策的难度连续缩放。

主要贡献

1. 跨任务不确定性转移： 该框架建立了一种机制，将分类可靠性（通过 Venn-Abers）直接映射到共形非共形得分，使回归区间能够适应上游不确定性，而无需训练辅助误差模型。
2. 连续缩放机制： 通过在连续实现中引入可调参数 $\beta$，作者避免了传统分箱（蒙德里安）方法固有的离散化伪影和样本量碎片化。
3. 临床验证： 该框架在佛罗里达大学健康中心 631 名患者的十年住院数据上进行了验证，表明其在保持边际覆盖率保证的同时，显著提高了高置信度案例的效率。

结果
与标准共形基线（Naïve、Standard CP、CV+、J+aB）及离散蒙德里安基线相比：

• 覆盖率： 连续 CASCADE 框架（$\beta=0.7$）实现了 80.1% 的边际覆盖率，达到了 80% 的置信水平目标。相比之下，标准 CP 实现了 84.0% 的覆盖率，表明由于僵化的保守主义导致了过度覆盖。
• 效率： 对于低不确定性患者（底部 33%），与标准 CP 基线相比，CASCADE 将平均预测区间长度缩短了 38.9%（从 0.113 降至 0.069）。
• 适应性（级联比率）： 该框架实现了 4.23 的级联比率（CR），而标准 CP 为 1.00。这表明高不确定性案例（顶部 33%）的区间长度几乎是低不确定性案例的 2.6 倍（0.292 对比 0.069），有效地为模糊案例创建了“安全缓冲”。
• 统计显著性： 柯尔莫哥洛夫 - 斯米尔诺夫检验证实，CASCADE 与标准 CP 的区间分布之间存在显著差异（$D=0.62, p < 10^{-54}$）。此外，区间长度与 Venn-Abers 不确定性得分之间观察到近乎完美的斯皮尔曼相关性（$\rho = 0.999$），证实了适应性是由不确定性信号驱动的。

意义与主张
本文主张，CASCADE 弥合了离散临床决策与连续剂量预测之间的差距。通过将分类不确定性与回归校准显式耦合，该框架充当了自动化安全保障：

• 它通过在复杂或模糊场景中自动扩大预测区间以确保稳健的覆盖率，防止了危险的过度自信。
• 它消除了简单案例中不必要的保守主义，为临床医生提供了更精确、可操作的指导。

作者强调，虽然该框架是在 PD 药物管理上验证的，但它解决了任何两阶段流程中的根本可靠性缺口，其中离散的干预评估先于连续量化任务。该工作提出，适应性不仅仅是技术上的增强，更是将 AI 行为与“首先，不伤害”（primum non nocere）原则相一致的临床必要性。作者指出，虽然该框架通过揭示不确定性来警示临床医生，但在临床部署之前，仍需进行前瞻性验证和监管审查。