基于重构差异的可学习多视角对比框架用于医学时间序列
软凝聚态物质
2025-06-04 v1 经典物理
摘要
在医学时间序列疾病诊断中，识别了两个关键挑战。首先，医学数据的高标注成本导致在标签受限的单中心数据集上训练的模型易产生过拟合。为此，我们提出通过整合来自相关任务的外部数据并利用 AE-GAN 提取先验知识，为下游任务提供宝贵参考。其次，许多现有研究采用对比学习以获得面向诊断任务的更通用医学序列表示，通常依赖人工设计的多样化正负样本对。然而，这些方法复杂且缺乏普适性，无法自适应地捕获不同病情下的疾病特定特征。为此，我们引入 LMCF（Learnable Multi-views Contrastive Framework），一个集成多头注意力机制的框架，通过跨视角和内视角对比学习策略自适应地从不同视角学习表示。此外，预训练的 AE-GAN 用于重构目标数据作为疾病概率，并整合到对比学习过程中。在三个目标数据集上的实验表明，我们的方法 consistently 优于七个其他基线方法，凸显其在心肌梗死、阿尔茨海默病和帕金森病诊断等健康care 应用中的显著影响。
引用
@article{arxiv.2501.18366,
title = {Active rheology of soft solids performed with acoustical tweezers},
author = {Antoine Penneron and Thomas Brunet and Diego Baresch},
journal= {arXiv preprint arXiv:2501.18366},
year = {2025}
}