AMI-Net+：一种用于不完整不平衡数据医学诊断的新型多示例神经网络
机器学习
2019-07-04 v1 机器学习
摘要
在医学真实世界研究(RWS)中，如何在模型训练中充分利用碎片化与稀缺信息以生成可靠诊断结果是一项挑战性任务。本工作中，我们引入一种新型多示例神经网络AMI-Net+，用于从不完整且极度不平衡的数据中进行训练与预测。它比当前最优方法AMI-Net更有效。首先，我们同样实现嵌入、多头注意力与基于门控注意力的多示例池化，以捕捉症状自身及与给定疾病的关系。此外，我们对AMI-Net提出多项改进：以focal loss替代交叉熵损失，并提出一种在实例层面上的新型自适应多示例池化方法以获得包表示。我们在来自两个不同医学领域的两个真实世界数据集上验证了AMI-Net+的性能。结果表明我们的方法以可观优势优于其他基线模型。
引用
@article{arxiv.1907.01734,
title = {AMI-Net+: A Novel Multi-Instance Neural Network for Medical Diagnosis from Incomplete and Imbalanced Data},
author = {Zeyuan Wang and Josiah Poon and Simon Poon},
journal= {arXiv preprint arXiv:1907.01734},
year = {2019}
}