利用生成对抗网络增强电子健康记录的深度学习风险预测
机器学习
2017-09-07 v1 机器学习
摘要
电子健康记录（EHRs）的快速增长以及伴随的数据驱动医疗（DDH）机遇，引起了广泛兴趣和关注。深度学习方法的设计和应用最新进展显示出有前景的结果，并正在迫使医疗学术和工业发生巨大变化，但大多数这些方法依赖大量标记数据。本工作中，我们提出一个通用的深度学习框架，能够利用有限的EHR数据提升风险预测性能。我们的模型采用一种改进的生成对抗网络，即ehrGAN，它可以通过模仿真实患者记录提供合理的标记EHR数据，以半监督学习的方式扩充训练数据集。我们使用该生成模型与基于卷积神经网络（CNN）的预测模型一起改善发病预测性能。在两个真实医疗数据集上的实验表明，我们提出的框架生成了真实的数据样本，并在使用生成数据分类任务上比几种最先进的基线取得显著改进。
引用
@article{arxiv.1709.01648,
title = {Boosting Deep Learning Risk Prediction with Generative Adversarial Networks for Electronic Health Records},
author = {Zhengping Che and Yu Cheng and Shuangfei Zhai and Zhaonan Sun and Yan Liu},
journal= {arXiv preprint arXiv:1709.01648},
year = {2017}
}
备注
To appear in ICDM 2017. This is the full version of paper with 8 pages