AdaCare：基于尺度自适应特征提取与重标定的可解释临床健康状态表示学习
机器学习
2019-11-28 v1 机器学习
摘要
近年来，基于深度学习的健康状态表示学习与临床预测引起了大量研究关注。现有模型已展现出优越性能，但仍存在若干未被充分考虑的重要问题。首先，生物标志物在不同时间尺度上的历史变化模式对指示健康状态起着关键作用，但现有工作尚未显式提取该模式。其次，强烈指示健康风险的关键因素因人而异，如何自适应地利用不同状况下患者的特征仍具挑战。第三，将预测模型作为黑箱使用会限制其在临床实践中的可靠性，然而现有工作均无法在提供令人满意的可解释性的同时实现高预测性能。本工作中，我们提出一种通用健康状态表示学习模型 AdaCare，可捕捉生物标志物的长短期变化作为临床特征，以多时间尺度刻画健康状态；并通过建模临床特征间的相关性，增强强烈指示健康状态的特征，从而在保持 SOTA 预测精度的同时提供定性可解释性。我们在两个真实数据集上进行了健康风险预测实验，结果表明 AdaCare 优于现有最优方法，并提供可由临床专家验证的有效可解释性。
引用
@article{arxiv.1911.12205,
title = {AdaCare: Explainable Clinical Health Status Representation Learning via Scale-Adaptive Feature Extraction and Recalibration},
author = {Liantao Ma and Junyi Gao and Yasha Wang and Chaohe Zhang and Jiangtao Wang and Wenjie Ruan and Wen Tang and Xin Gao and Xinyu Ma},
journal= {arXiv preprint arXiv:1911.12205},
year = {2019}
}