AutoAdapt：临床分布变化下可靠的小样本适应

大型预训练临床模型提供了一种实用的方法，可以通过调整模型来在医院中重用学到的先验知识。在实践中，目标医院可能只有一小部分标记的患者队列，这种设置通常称为“小样本适应”。这需要做出多项决策，例如适应哪个预训练模型、更新模型的多少以及使用哪些患者。然而，这个过程面临两个主要挑战。首先，最佳适应策略因临床任务而异。其次，由于患者群体较小，评估和比较候选策略变得不可靠。在这项工作中，我们引入了具有两个核心设计的 AutoAdapt 来应对这些挑战。适配器定义了适应方案的可扩展空间，并且自动化器根据适应患者内的证据形成加权方案组合。我们提出了一个可靠性规则，以确保只选择对大多数可用患者最有效的策略。然后，这些选定的策略形成一个组合，以实现有效的小样本适应。 我们在重症监护、紧急护理和诊断数据集上进行了广泛的实验，结果表明 AutoAdapt 仅使用少数患者进行适应即可始终实现最先进的性能。