基于极小低参模型与可分离风险评估的大规模多模态死亡风险预测研究
机器学习
2025-05-01 v2 机器学习
摘要
大多数生物医学研究使用有限的数据集，可能无法在数十年来收集的庞大异质数据集上泛化。本文开发并验证了若干可基于海量临床数据集预测 1 年死亡率的多模态模型。我们聚焦于预测 1 年死亡率可为患者提供一种紧迫感。利用同类最大数据集，本文考虑基于 25,137,015 段视频（关联自 316,125 名患者的 699,822 项超声心动图研究）以及来自 631,353 名患者的 2,922,990 条 8 导联心电图（ECG）迹线，开发和验证多模态模型。我们的模型使我们能够评估个体因素与模态对总体风险的贡献。我们的方法使我们能够开发基于特征重要性优化特征选择的极低参模型。根据可用临床信息，我们构建了一系列模型，并在 DISIML 包中提供。总体而言，性能范围从仅用十个参数时 AUC 0.72 到完整多模态模型低于 105k 参数时 AUC 0.89。所提方法代表了一种模块化神经网络框架，可洞察全局风险趋势并指导降低死亡风险的疗法。
引用
@article{arxiv.1901.08125,
title = {A Large-scale Multimodal Study for Predicting Mortality Risk Using Minimal and Low Parameter Models and Separable Risk Assessment},
author = {Alvaro E. Ulloa Cerna and Marios Pattichis and David P. vanMaanen and Linyuan Jing and Aalpen A. Patel and Joshua V. Stough and Christopher M. Haggerty and Brandon K. Fornwalt},
journal= {arXiv preprint arXiv:1901.08125},
year = {2025}
}