基于机器学习的模型在临床预测中可与表格形式的基础模型相媲美

《BMC Medical Informatics and Decision Making》：Established machine learning matches tabular foundation models in clinical predictions

　　

摘要

基础模型有望实现跨领域的预测建模标准化，但其在表格数据上的临床价值尚未得到验证。为此，我们对用于表格数据预测的领先基础模型TabPFN进行了大规模、可完全复现的基准测试，将其与12种成熟的机器学习方法在12项二元临床任务中进行对比。测试涉及的病例数量为788至139,528例，涵盖生存率、转移情况以及疾病状态等多种不同的结局指标。通过标准化的预处理流程、自举法以及多种性能评估指标，结果显示TabPFN整体上具有竞争力，但并未始终优于那些强大的机器学习基准模型。在仅有16.7%的任务中，它的表现优于最佳的机器学习模型，而大多数情况下，接收者操作特征曲线下面积的差异都在±0.02范围内。此外，TabPFN的计算成本也更高，其运行时间的中位数是其他模型的5.5倍，且实际应用时需要依赖GPU加速。这些研究结果表明，对于常规的二元临床预测任务，相比经过优化的机器学习方法，TabPFN带来的性能提升十分有限，同时还存在显著的效率损失。