用于多模态临床数据分析的动态深度神经网络
机器学习
2020-08-17 v1 机器学习
摘要
来自电子病历、登记库或试验的临床数据提供了大量信息源，可应用机器学习方法以推进精准医疗，例如发现新的疾病表型或进行个体化疾病预测。然而，要充分发挥深度学习方法在临床数据上的优势，所需的架构必须：1) 对缺失值和错误值具有鲁棒性；2) 能够处理高度可变长度的列表以及个体诊断、操作、测量和药物处方的长期依赖关系。本工作中，我们阐述了全连接神经网络与经典机器学习方法在此背景下的局限性，并提出 AdaptiveNet——一种新颖的循环神经网络架构，可处理多个不同事件的列表，从而缓解上述局限。我们将该架构应用于使用瑞士临床质量管理登记库（包含超过 10,000 名患者和 65,000 余次患者就诊）的类风湿关节炎疾病进展预测问题。我们提出的方法产生了更紧凑的表示，并优于经典基线。
引用
@article{arxiv.2008.06294,
title = {A Dynamic Deep Neural Network For Multimodal Clinical Data Analysis},
author = {Maria Hügle and Gabriel Kalweit and Thomas Huegle and Joschka Boedecker},
journal= {arXiv preprint arXiv:2008.06294},
year = {2020}
}
备注
Accepted at the AAAI 2020 International Workshop on Health Intelligence