医疗中的对抗多源迁移学习:在糖尿病患者血糖预测中的应用
计算机视觉与模式识别
2020-06-30 v1 机器学习
图像与视频处理
摘要
尽管深度学习在某些特定任务上取得了有前景的结果,但其尚未革新医疗中的常规实践。这部分是由于数据量不足损害了模型的训练。为解决此问题,可通过利用迁移学习来结合多个医疗参与方或患者的数据,并发挥其异质性。为提升多源数据间迁移的质量,我们提出一种多源对抗迁移学习框架,其能够学习跨源相似的特征表示,从而更具通用性且更易迁移。我们将该思想应用于使用全卷积神经网络的糖尿病患者血糖预测。评估通过探索具有高度组间与组内变异性的三个数据集下的多种迁移场景完成。虽然知识迁移总体上是有益的,我们表明采用对抗训练方法可进一步提升统计与临床精度,超越当前SOTA结果。特别地,其在使用来自不同数据集的数据时,或在同一数据集内数据过少的情况下表现突出。为理解模型行为,我们分析了学到的特征表示并就此提出一种新度量。与标准迁移不同,对抗迁移不区分患者与数据集,有助于学习更通用的特征表示。对抗训练框架改善了多源环境下通用特征表示的学习,增强了向未见过目标的迁移。所提方法有助于提升不同医疗参与方在深度模型训练中所共享数据的效率。
引用
@article{arxiv.2006.15940,
title = {Adversarial Multi-Source Transfer Learning in Healthcare: Application to Glucose Prediction for Diabetic People},
author = {Maxime De Bois and Mounîm A. El Yacoubi and Mehdi Ammi},
journal= {arXiv preprint arXiv:2006.15940},
year = {2020}
}