综述：机器学习在健康预测中数据集偏移的检测与缓解策略：系统综述

这篇系统综述全面梳理了2019-2025年间32项研究，聚焦医疗机器学习（ML）中数据集偏移（dataset shift）的检测与校正方法。研究发现时间偏移（temporal shift）和概念漂移（concept drift）是最常见类型，模型监控和统计测试是主流检测手段，而重新训练（retraining）与特征工程（feature engineering）成为主要校正策略。尽管方法普遍具有中等可解释性和计算可行性，但缺乏标准化评估指标和临床工作流整合仍是当前主要局限。

　　

Abstract

医疗机器学习模型面临的核心挑战——数据集偏移现象正引发广泛关注。当训练数据与真实场景分布不一致时，模型性能可能急剧下降，这在诊断决策和预后预测中尤为危险。系统分析表明，时间偏移和概念漂移是结构化临床数据中最常见的偏移类型，占比达研究案例的68%。

Methods

通过PROSPERO注册的系统检索策略，研究者从四大数据库中筛选出32项高质量研究。创新性地构建了评估框架，从偏移类型、检测方法、校正技术、算法选择及性能影响五个维度进行交叉分析。值得注意的是，逻辑回归（logistic regression）和随机森林（random forest）成为最常被调整的基础算法。

Results

研究揭示三大关键发现：

1. 1.

   检测技术中，基于模型的监控（model-based monitoring）和Kolmogorov-Smirnov检验使用频率最高（分别占53%和34%）

2. 2.

   校正方法呈现两极分化——简单再训练（retraining）占47%，而复杂的对抗训练（adversarial training）仅占9%

3. 3.

   性能提升存在显著异质性，AUC改善幅度从0.02到0.31不等，取决于偏移类型和基线模型

Discussion

深度分析暴露了当前研究的三大软肋：

• •

  仅28%的研究进行了亚组分析（如种族、年龄分层）

• •

  计算成本成为瓶颈，特别是深度学习模型的实时适应（real-time adaptation）

• •

  临床整合度不足，仅2项研究实现决策支持系统（CDSS）嵌入式部署

Conclusion

展望未来，三大方向亟待突破：开发轻量级持续学习（continual learning）框架、建立偏移敏感的模型卡（model cards）标准、推进多中心前瞻性验证。正如研究者强调，只有当偏移应对方案像模型精度优化那样受到重视时，医疗AI才能真正实现安全可靠的临床转化。