面向不规则采样医疗时间序列数据的深度学习方法综述
机器学习
2020-10-27 v2 机器学习
摘要
不规则采样时间序列（ISTS）数据在观测间具有不规则的时间间隔，且序列间采样率不同。ISTS 常见于医疗、经济和地球科学中。尤其在医疗环境中，广泛使用的电子健康记录（EHRs）含有大量典型的不规则采样医疗时间序列（ISMTS）数据。在 EHRs 数据上开发深度学习方法对于个性化治疗、精准诊断和医疗管理至关重要。然而，直接将深度学习模型用于 ISMTS 数据具有挑战性。一方面，ISMTS 数据具有序列内与序列间关系，需同时考虑局部与全局结构。另一方面，方法应权衡任务精度与模型复杂度，并保持通用性与可解释性。迄今，许多已有工作试图解决上述问题并取得了良好结果。本文从技术与任务两个视角综述这些深度学习方法。在技术驱动视角下，我们将其归纳为两类——基于缺失数据的方法与基于原始数据的方法。在任务驱动视角下，我们也将其归纳为两类——面向数据插补的与面向下游任务的。对每类方法，我们指出其优缺点。此外，我们实现了一些代表性方法，并在四个医疗数据集上以两项任务对它们进行比较。最后，我们讨论了该领域的挑战与机遇。
引用
@article{arxiv.2010.12493,
title = {A Review of Deep Learning Methods for Irregularly Sampled Medical Time Series Data},
author = {Chenxi Sun and Shenda Hong and Moxian Song and Hongyan Li},
journal= {arXiv preprint arXiv:2010.12493},
year = {2020}
}
备注
19 pages, 7 figures