基于卷积神经网络的多示例多任务学习用于糖尿病患者辨证
机器学习
2019-01-23 v2 机器学习
摘要
中医(TCM)辨证是理解与推断身体状况的过程，是有效治疗的关键步骤与前提。然而，由于其复杂性与缺乏标准化，实现辨证具有挑战性。在本研究中，我们将每位患者的记录视为一维图像、将症状视为像素，其中缺失与负值由零像素表示。目标是先找出相关症状，再将其映射到适当证候，这类似于计算机视觉中的目标检测问题。受此启发，我们采用结合卷积神经网络的多示例多任务学习(MIMT-CNN)进行辨证，其以区域提议为输入并直接输出图像标签。该神经网络由区域提议生成、卷积层、全连接层及在每项证候预测任务中跟随 sigmoid 函数的最大池化（多示例池化）层组成，用于图像表示学习与最终结果生成。在糖尿病数据集上，其性能优于所有其他基线方法。此外，即使在小样本量、大量缺失值与噪声的数据集上，它也表现出生成结果的稳定性与可靠性。
引用
@article{arxiv.1812.07764,
title = {CNN based Multi-Instance Multi-Task Learning for Syndrome Differentiation of Diabetic Patients},
author = {Zeyuan Wang and Josiah Poon and Shiding Sun and Simon Poon},
journal= {arXiv preprint arXiv:1812.07764},
year = {2019}
}