用于医学证据综合与决策的协同注意力跨模态深度学习
定量方法
2019-11-11 v2 机器学习
机器学习
摘要
现代医学需要通用的方法来实现多模态数据的综合与整合，这些数据常处于不同生物尺度，并可应用于多种证据结构，如复杂疾病分析与流行病学模型。然而，现有方法要么缓慢且昂贵，要么因无法建模不同尺度与格式的数据模态间复杂关系而低效。我们通过提出一种跨模态深度学习架构与协同注意力 (co-attention) 机制来解决这些问题，以准确建模不同数据模态间的关系，同时进一步缩短患者诊断时间。区分帕金森病 (PD) 患者与健康患者构成评估的基础。该模型比先前最先进的单模态分析高出 2.35%，同时比行业标准的跨模态模型参数效率高 53%。此外，对注意力系数的评估可获得定性见解。通过与生物信息学结合，发现了干扰素-γ 介导通路、DNA 甲基化与 PD 之间的新关联。我们相信我们的方法是通用的，并能以可操作的方式优化医学证据综合与决策过程。
引用
@article{arxiv.1909.06442,
title = {Co-Attentive Cross-Modal Deep Learning for Medical Evidence Synthesis and Decision Making},
author = {Devin Taylor and Simeon Spasov and Pietro Liò},
journal= {arXiv preprint arXiv:1909.06442},
year = {2019}
}
备注
7 pages, 2 figures, Machine Learning for Health (ML4H) at NeurIPS 2019 - Extended Abstract, clarified graph and math notation, typos corrected