利用对抗循环神经网络补偿轨迹偏差以进行无监督患者分层
机器学习
2021-12-15 v1
摘要
电子健康档案是可用于患者分层以发现新疾病表型的重要信息来源。然而，由于数据常稀疏且非等间隔采样，其使用颇具挑战。解决这些局限的一种方法是利用循环神经网络自编码器（RNN-AE）学习表示个体患者轨迹的稠密嵌入。该过程易受影响于非预期的数据偏差。我们表明，使用先前提出的 RNN-AE 模型得到的患者嵌入与聚类可能受轨迹偏差影响，即结果由每位患者轨迹中所含数据量主导，而非临床相关细节。我们在 2 个数据集（来自不同医院）与 2 个疾病领域以及使用患者轨迹的不同部分上考察了该偏差。使用 2 种已发表基线方法的结果表明，在事件到终点轨迹情形下偏差尤其显著。我们提出一种在该 RNN-AE 之上采用对抗训练方案来克服此问题的方法。结果显示我们的方法在所有情况下均能降低轨迹偏差。
引用
@article{arxiv.2112.07239,
title = {Compensating trajectory bias for unsupervised patient stratification using adversarial recurrent neural networks},
author = {Avelino Javer and Owen Parsons and Oliver Carr and Janie Baxter and Christian Diedrich and Eren Elçi and Steffen Schaper and Katrin Coboeken and Robert Dürichen},
journal= {arXiv preprint arXiv:2112.07239},
year = {2021}
}