Uczenie statystyczne i walidacja — materiał referencyjny

Materiał referencyjny · Skondensowany materiał do szybkiego wyszukiwania zagadnień rozdziału swoistych dla obrazowania: wzorców wycieku, miejsca oceny odporności oraz jednostki dotyczącej brakujących i syntetycznych danych tabelarycznych (TRACE-CT M1-07/M1-08, oba MEASURED). Ogólne uczenie statystyczne omawia ISLP; wersje dydaktyczne znajdują się w rozdziale.

Niezależność i wyciek

• Jednostki: dobierz jednostkę analizy, podziału i resamplingu do zamierzonego twierdzenia; w predykcji na poziomie pacjenta powiązane wiersze, takie jak powtarzane badania, przemieszczają się razem (Niezależne obserwacje i dane o strukturze skupień).
• Drogi wycieku: przetwarzanie wstępne dopasowane na wszystkich danych · wybór cech poza CV · potoki segmentacji widzące etykiety testowe · powielanie powtarzanych badań (Granice dopasowanego stanu i wycieku informacji). Zagnieżdżona CV rozdziela wybór od oceny (Zagnieżdżony wybór modelu).
• Wersja z perspektywy warstwy pomiarowej: cechy mogą przenosić odciski ośrodka, skanera, jądra rekonstrukcji lub segmentacji, których model uczy się w dozwolony sposób — wpływ czynników zakłócających lub uczenie na skróty, czyli tryb niepowodzenia odrębny od wycieku (rozwiązanie: projekt, stratyfikacja, dowody odporności i testowanie zewnętrzne, a nie tylko higiena CV) (rozdział 5).

Brakujące dane (M1-07, ograniczony przypadek)

Mechanizm	Znaczenie	Konsekwencja
MCAR	występowanie braków niezależne od wszystkiego	kompletne przypadki mogą stanowić losową podpróbę przy określonych warunkach analizy
MAR	występowanie braków wyjaśniają dane obserwowane	odpowiednio uzasadniona imputacja może działać
MNAR	występowanie braków zależy od brakującej wartości	sama imputacja nie wystarcza; potrzebna jest analiza wrażliwości

• Drabina metod: mediana/moda (tylko dane treningowe) → metoda predykcyjna (osobny CatBoost dla każdej zmiennej docelowej: ordered boosting i obsługa kategorii) → MICE (iterowane modele warunkowe; wariant kanoniczny = M zbiorów danych łączonych według reguł Rubina).
• Etykieta uczciwości TRACE-CT: IterativeImputer+BayesianRidge ze sklearn jest przybliżeniem równań łańcuchowych wytwarzającym jedną kompletną tabelę, a nie pełną imputacją wielokrotną; nie estymuje niepewności imputacji.
• Ocena: sztuczne maskowanie obserwowanych komórek (zamrożone seedy, identyczne maski dla wszystkich metod); nigdy nie używaj wyników jako celów ani wejść imputera; identyfikatory nigdy nie są predyktorami.
• Dyscyplina podziału (zamrożona w M1-07; wskazany publiczny rekord zagregowany): na poziomie osoby 70/15/15 (101/22/21), ze stratyfikacją według zdarzenia × płci; imputery dopasowywane tylko na zbiorze treningowym; przynależność przechowywana lokalnie, a SHA-256 zapisany w repozytorium.
• Zmierzono: 60/60 przebiegów, zero niepowodzeń, rekonstrukcja na danych wydzielonych i miary zależności tylko na danych treningowych dla każdego przebiegu.

Syntetyczne dane tabelaryczne (M1-08, ograniczony przypadek)

	CTGAN (NeurIPS 2019)	TabDDPM (ICML 2023)
Trenowanie	kontradyktoryjny generator/dyskryminator	dyfuzja: zaszumianie w przód + wyuczone odszumianie
Różne typy danych	normalizacja swoista dla składowej; uczenie przez próbkowanie	szum gaussowski (dane ciągłe) + wielomianowy (dane kategorialne)
Wiersze podgrupy	prawdziwe generowanie warunkowe	generowanie bezwarunkowe + wybór według kolejności generowania (nigdy „warunkowy TabDDPM”)
Koszt próbkowania	mały	łańcuch odwrotny dla każdego wiersza
Zastosowanie w TRACE-CT	51 wierszy Female uzyskanych warunkowo (uzupełnienie niedoboru do 1:1)	wskazany commit źródłowy; pierwszych 51 wierszy Female, limit 2000, zarejestrowany uzysk

• Synteza rozdziału rozdzielająca pytania oceny (nie uniwersalna taksonomia): wierność każdego pola (KS ≤ 0,10 / częstość występowania ≤ 5 p.p. według progów wzorowanych na zadaniu konkursowym) + zachowanie zależności (Pearson/Spearman · V Craméra · stosunek korelacyjny η, zachowane osobno) + użyteczność w dalszym zadaniu na nietkniętym rzeczywistym zbiorze testowym
  • wskaźniki ryzyka ujawnienia informacji. Bez filtrowania jakości wygenerowanych wierszy i bez redukcji liczby wierszy rzeczywistych.
• Zestaw ocen ryzyka (wskaźniki, nigdy gwarancja prywatności): NN Gowera dla danych syntetycznych→treningowych w porównaniu z wydzielonymi rzeczywistymi→treningowymi; dokładne dopasowania (równe wszystkie pola); bliskie duplikaty (Gower ≤ 0,05); niemożliwe kombinacje; zniekształcenie podgrup; bramki raportowalności miar podgrup. Dane syntetyczne ≠ dane zanonimizowane.
• Ograniczone pomiary projektowe (wskazany publiczny rekord zagregowany, zachowane wyniki negatywne): referencyjny C-index Coxa 0,789; po augmentacji TabDDPM 0,743–0,817 (nakładające się CI — bez wykazanej poprawy); nie wykazano odwzorowania warunkowego CTGAN; brak zaliczeń KPI1-C; podwyższone sygnały ryzyka zapamiętywania dla TabDDPM w 2/3 seedów. Seedy 1729/2718/3141, wszystkie zaraportowane.
• Generatory ≠ imputery pojedynczych komórek; brak twierdzeń o trafności klinicznej lub prywatności.

Ocena przeżycia

Cenzurowanie prawostronne → Kaplan–Meier (opis) · Cox PH (model; sprawdź proporcjonalność hazardów) · C-index (wyłącznie dyskryminacja). Uczciwe pytanie: wartość dodatkowa ponad kliniczny model odniesienia (model wyłącznie kliniczny wobec klinicznego+radiomicznego; test LR / ΔC-index z CI). Kalibracja: zintegrowany wynik Briera + nachylenie/wyraz wolny kalibracji tylko przy wystarczającej liczbie zdarzeń (bramka M1-08: ≥ 10 zdarzeń, w przeciwnym razie NOT_REPORTABLE z uzasadnieniem); bootstrapowe CI na poziomie osoby; raportuj każdy seed. Zamrożony estymator M1-08: CoxPHFitter z lifelines, penalizer = 0.1 (ustalony przed oceną na danych wydzielonych, nigdy niestrojony).

p >> n i uczciwość modelu (rdzeń rozdziału)

Setki skorelowanych cech u dziesiątek pacjentów: konieczna regularyzacja; selekcja wewnątrz walidacji; stabilność jako opis ≠ stabilność jako selekcja (rozdział 6); AUROC nie wystarcza — dyskryminacja, kalibracja, niepewność, użyteczność decyzyjna (Dyskryminacja, kalibracja, użyteczność i niepewność); wyniki wewnętrzne, czasowe i zewnętrzne uzasadniają różne twierdzenia (Przenoszalność i twierdzenia wynikające z testów); projektowanie przed dopasowaniem (Projektowanie przed dopasowaniem).

Piśmiennictwo (jednostka dotycząca danych tabelarycznych, syntetycznych i przeżycia)

• van Buuren S, Groothuis-Oudshoorn K. mice. J Stat Softw 2011;45(3):1-67 — doi:10.18637/jss.v045.i03.
• Austin PC, White IR, Lee DS, van Buuren S. Missing Data in Clinical Research: A Tutorial on Multiple Imputation. Can J Cardiol. 2021;37:1322-1331 — doi:10.1016/j.cjca.2020.11.010; PMC8499698.
• Prokhorenkova L, et al. CatBoost. NeurIPS 2018 — arXiv:1706.09516.
• Xu L, Skoularidou M, Cuesta-Infante A, Veeramachaneni K. Modeling Tabular Data using Conditional GAN. NeurIPS 2019 — arXiv:1907.00503.
• Kotelnikov A, Baranchuk D, Rubachev I, Babenko A. TabDDPM. ICML 2023, PMLR 202:17564-17579 — arXiv:2209.15421, strona PMLR.
• Kaabachi B, Despraz J, Meurers T, et al. A scoping review of privacy and utility metrics in medical synthetic data. NPJ Digit Med. 2025;8:60 — doi:10.1038/s41746-024-01359-3, PMCID PMC11772694.
• TRACE-CT (tylko do odczytu): zamrożone konfiguracje M1-07/M1-08, wyniki metryk i kartę modelu zinwentaryzowano w mapie nauki TRACE-CT. Status: M1-07 i M1-08 MEASURED; brak twierdzeń o trafności klinicznej, prywatności lub danych konkursowych.