MARC

 008260126s2025        us                              c    eng  d
■001000017359814
■00520260202105218
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291565995
■035    ▼a(MiAaPQ)AAI32271784
■035    ▼a(MiAaPQ)umichrackham006398
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aKrishnamoorthy,  Meera.
■24510▼aTowards  Scalable  and  Stable  Machine  Learning  in  Clinical  Contexts:  Addressing  Computational  Efficiency  and  Dataset  Shift
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a183  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Wiens,  Jenna.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aClinical  machine  learning  (ML)  models  have  the  potential  to  improve  patient  outcomes,  but  realizing  this  potential  requires  models  that  are  both  computationally  efficient  and  robust  to  dataset  shift.  In  terms  of  computational  efficiency,  simpler  models  that  are  memory  and  storage  efficient  can  help  increase  the  probability  of  adoption  and  the  feasibility  of  running  models  at  the  bedside  in  health  systems,  which  are  often  IT-resource  constrained.  Robustness  to  dataset  shift  ensures  long-term  model  reliability  since  resources  for  model  retraining  are  often  unavailable.  Yet,  many  existing  clinical  ML  models  fail  on  both  fronts.  This  dissertation  addresses  these  challenges  by  proposing  methods  that  improve  models'  (i)  computational  efficiency  and  (ii)  performance  under  dataset  shift.To  improve  computational  efficiency,  we  explore  two  domains.  First,  in  genomic  sequence  classification,  we  show  that  standard  approaches  are  inefficient  because  they  rely  on  large  reference  databases  at  inference  time.  We  introduce  an  ML-based  method  that  removes  this  dependency,  enabling  accurate  and  memory-efficient  classification.  Second,  we  reduce  unnecessary  model  complexity  in  multiple  instance  learning  (MIL)  for  large-scale  medical  image  classification.  While  transformers  outperform  simpler  MIL  approaches  on  tasks  where  relevant  image  regions  are  spatially  aligned  (e.g.,  detecting  cardiac  conditions),  they  are  more  computationally  complex.  We  find  their  advantage  stems  from  their  inclusion  of  positional  information.  Based  on  this  insight,  we  propose  a  positional  encoding  wrapper  that  boosts  the  accuracy  of  standard  MIL  models,  without  adding  excessive  computational  overhead,  enabling  accurate  and  efficient  image  classification.To  improve  robustness  to  dataset  shift,  we  examine  two  settings.  The  first  involves  developing  models  in  the  presence  of  unstable  correlations-transient  associations  between  features  and  outcomes  that  appear  in  training  data  but  fail  to  generalize  over  time  (e.g.,  due  to  changes  in  clinical  practice).  We  show  that  standard  model  selection  strategies,  which  average  model  performance  across  random  or  temporal  splits,  mask  reliance  on  unstable  correlations.  In  light  of  this  shortcoming,  we  propose  a  new  model  selection  approach  that  yields  models  with  more  stable  performance  over  time.  The  second  setting  considers  predicting  the  time  to  a  medical  event  (e.g.,  spontaneous  labor)  when  there  is  dataset  shift  due  to  changes  in  an  individual's  probability  of  being  censored  (e.g.,  undergoing  a  c-section)  over  time.  This  can  lead  to  limited  uncensored  support  during  training  compared  to  testing.  Standard  survival  analysis  methods  often  treat  censoring  times  as  lower  bounds,  causing  them  to  overestimate  event  times  for  individuals  resembling  censored  training  data  in  this  setting.  We  propose  a  method  that  identifies  individuals  likely  censored  close  to  their  true  event  time  and  uses  them  as  supervision  during  training,  improving  predictions  for  censored-like  test  cases  without  compromising  accuracy  on  uncensored  ones.Together,  these  contributions  support  the  development  of  clinical  ML  models  that  are  both  efficient  and  robust.  These  contributions  aim  to  support  the  development  of  models  that  are  easier  to  integrate  into  clinical  workflows  and  more  reliable  in  real-world  healthcare  settings.
■590    ▼aSchool  code:  0127.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■653    ▼aMachine  learning
■653    ▼aMultiple  instance  learning
■653    ▼aComputational  efficiency
■690    ▼a0984
■690    ▼a0464
■690    ▼a0800
■71020▼aUniversity  of  Michigan▼bComputer  Science  &  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359814▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서