基于置信度的持续疾病分类任务预测与概率分布
原文中文，约1200字，阅读约需3分钟。
📝
内容提要
本研究评估了医学图像中的连续学习方法，证明单一模型能够顺序学习新任务，推动医学影像AI的发展。提出了因果轨迹预测模型，以增强可解释性并支持临床决策。同时探讨了基于深度学习的置信区间预测方法，提出新模型以降低临床风险预测中的负面影响。
❓
Q&A
什么是因果轨迹预测模型？
因果轨迹预测模型（CTP）是一种新模型，旨在提供因果可解释预测和估计治疗效果，准确预测疾病进展轨迹并揭示特征之间的因果关系。
这项研究如何推动医学影像AI的发展？
研究表明单一模型可以顺序学习新任务，证明了跨机构共享模型的可行性，从而推动了通用医学影像人工智能的发展。
基于深度学习的置信区间预测方法有什么优势？
该方法有效缩小置信边界，同时保证在高风险场景下的准确性，降低临床风险预测中的负面影响。
如何降低临床风险预测中的负面影响？
研究提出了一种基于特征层面不确定性的时间序列异态多任务学习模型，有效降低了临床风险预测中的负面影响。
源预训练模型在目标领域中的适应性问题是什么？
源预训练模型在不断变化的目标领域中表现出高度偏向的预测，适应目标数据流分布的困难是主要问题。
这项研究提出了哪些新的模型或方法？
研究提出了因果轨迹预测模型、基于置信区间训练的深度学习模型和基于特征层面不确定性的时间序列异态多任务学习模型等。
🏷️
