用于电子健康记录联合疾病预测的自动化多任务学习

在大数据和数字医疗领域，电子健康记录（EHR）已成为丰富的信息源，具有改善患者护理和医学研究的潜力。近年来，机器学习模型已广泛用于分析 EHR 数据以预测患者未来的健康状况。其中，一些研究主张采用多任务学习（MTL）来联合预测多种目标疾病，以提高优于单任务学习的预测性能。然而，当前针对 EHR 数据的 MTL 框架存在显著局限性，因为它们严重依赖人类专家来识别用于联合训练的任务组并设计模型架构。为减少人为干预并改进框架设计，我们提出了一种名为 AutoDP 的自动化方法，该方法可同时搜索任务分组和架构的最优配置。为解决涵盖任务组合和架构的巨大联合搜索空间，我们采用了基于代理模型的优化，使我们能够高效地发现最优解。在真实世界 EHR 数据上的实验结果证明了所提出的 AutoDP 框架的有效性。与手工设计和自动化的最先进（SOTA）方法相比，它实现了显著的性能提升，同时保持了可行的搜索成本。源代码可通过以下链接获取：\url{https://github.com/SH-Src/AutoDP}。