AutoPrognosis：基于结构化核学习贝叶斯优化的自动化临床预后建模
机器学习
2018-02-21 v1 机器学习
摘要
从大规模医疗数据导出的临床预后模型可为关键诊断与治疗决策提供信息。为使机器学习 (ML) 在预后研究中开箱即用，我们开发了 AUTOPROGNOSIS：一个自动化设计面向临床预后预测建模流水线的系统。AUTOPROGNOSIS 使用一种新颖的批量贝叶斯优化 (BO) 算法高效优化流水线配置集成，该算法在 BO 过程同时学习流水线高维超参数空间的低维分解。这是通过将流水线性能建模为带高斯过程先验的黑盒函数，并以带狄利克雷先验的稀疏加性核建模流水线基线算法间相似性实现的。元学习通过使用模仿经验贝叶斯方法的算法校准先验，以来自相似患者队列的外部数据热启动 BO。系统通过向临床医生呈现将患者特征与预测风险层相联系的逻辑关联规则，自动解释其预测。我们利用代表心血管患者照护各方面的 10 个主要患者队列展示了 AUTOPROGNOSIS 的效用。
引用
@article{arxiv.1802.07207,
title = {AutoPrognosis: Automated Clinical Prognostic Modeling via Bayesian Optimization with Structured Kernel Learning},
author = {Ahmed M. Alaa and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:1802.07207},
year = {2018}
}