针对含缺失数据的电子健康记录进行疾病预测的对抗训练
机器学习
2018-05-23 v4 机器学习
摘要
电子健康记录（EHRs）促进了病历的计算机化，因此不仅可用于高效、系统的医疗服务，还可用于生物医学数据科学的研究。然而，以矩阵形式提供的 EHRs 中存在大量缺失值，这是许多生物医学 EHR 应用中的一个重要问题。本文提出一个两阶段框架，包括缺失数据插补与疾病预测，以解决 EHRs 中的缺失数据问题。我们比较了生成对抗网络（GANs）与传统学习算法结合缺失数据预测方法的疾病预测性能。结果表明，以堆叠自编码器作为缺失数据预测方法、以辅助分类器 GAN（AC-GAN）作为疾病预测方法时，获得了准确率 0.9777、灵敏度 0.9521、特异度 0.9925、受试者工作特征曲线下面积（AUC-ROC）0.9889 和 F 值 0.9688。比较结果显示，堆叠自编码器与 AC-GAN 的组合显著优于其他现有方法。我们的结果表明，所提框架对含缺失数据的 EHRs 疾病预测具有更强的鲁棒性。
引用
@article{arxiv.1711.04126,
title = {Adversarial Training for Disease Prediction from Electronic Health Records with Missing Data},
author = {Uiwon Hwang and Sungwoon Choi and Han-Byoel Lee and Sungroh Yoon},
journal= {arXiv preprint arXiv:1711.04126},
year = {2018}
}
备注
10 pages, 4 figures