美国约翰霍普金斯大学全奖博士招生

项目介绍

我们什么时候可以在医疗保健等高风险领域依赖机器学习？从长远来看，我们希望机器学习系统与任何美国食品药品监督管理局批准的药物或诊断测试一样可靠。

由于需要因果推理和稳健的性能，这一目标变得复杂起来。为了支持决策，我们希望就模型建议的影响得出因果结论（例如，推荐特定药物会带来更好的患者结果吗？）。此外，我们希望我们的模型在不同的医院和患者群体中表现良好，包括那些与模型开发过程中看到的医院/人群不同的医院/群体。

这些目标使可靠模型的开发和验证变得复杂，因为在没有进一步假设的情况下，它们会受到我们的数据所能告诉我们的限制。例如，我们只观察实际给患者开的治疗方法的结果，而不是所有可能的治疗方法。同样，我们并没有观察到每个可能部署模型的医院的性能，而是只观察到我们可以访问的（通常更有限的）数据。

导师介绍

Michael Oberst博士

https://www.michaelkoberst.com/

从2024年夏天开始，我将成为约翰斯·霍普金斯大学计算机科学助理教授。

约翰斯·霍普金斯大学2024年秋季招收博士生-如果你觉得自己很适合，请联系！

研究处于因果关系和机器学习的交叉点，目标是在医疗保健等高风险领域实现可靠的决策和预测。

方向介绍

研究人员使用因果关系和统计学工具来应对这些挑战，通常将外部知识纳入模型验证和设计过程。外部知识可以来自多种来源，包括人类专家（如临床医生）或金标准数据（如随机试验的有限数据）。在我攻读博士期间，我一直在两个相辅相成的主题上进行研究：

1.可靠的因果推断和政策评估：当实验不可行时，回顾性医疗保健数据通常用于学习更好的疾病治疗政策。然而，这需要强有力的因果假设，并不是所有的政策都能得到可靠的评估。这促使我致力于开发方法，帮助领域专家评估因果模型的合理性[ICML 2019，MS论文]，并获得可以评估给定政策的亚群体的可解释特征[AISTATS 2020]。研究人员还开发了纳入有限临床试验数据的方法[NeurIPS 2022，预印本]，以提高可信度。

2.通过（部分）因果知识进行稳健、可靠的预测：因果关系是推理分布的合理变化将如何影响未来模型性能的有用视角。在线性环境中，我开发了学习预测因子的方法，这些预测因子在未直接观察到的因素变化（例如，患者社会经济地位的差异）中具有可证明的稳健表现[ICML 2021]。在更一般的情况下，我为领域专家开发了新的方法来表达他们对看似合理的变化（例如，临床实践中的变化）的因果直觉，评估模型在这些变化下的最坏情况下的性能，并发现导致性能差的变化[NeurIPS 2022]。

我所解决的方法学问题是由我与临床合作者的应用工作提供的，例如学习抗生素治疗政策[Science Trans.Med.2020]和调试败血症管理的强化学习模型[AMIA 2021]。

如何申请

要申请，您可以向Micheal Oberst博士提供您的当前简历，以下是电子邮件：

moberst@andrew.cmu.edu

官方提交链接：

https://advanced.jhu.edu/student-resources/academic-calendar/fall-2024/

转自：“科研doge”微信公众号

如有侵权，请联系本站删除！