CONAN：面向罕见病检测的互补模式增强
机器学习
2019-12-02 v1 计算与语言
摘要
罕见病影响全球数亿人，但因患病率极低（介于 1/1,000 至 1/200,000 患者之间）且被严重漏诊而难以检测。我们如何可靠地检测如此低患病率的罕见病？如何进一步利用可能诊断不确定的患者来改进检测？本文提出一种用于罕见病检测的互补模式增强（CONAN）框架。CONAN 结合了对抗训练与最大间隔分类的思想。它首先学习用于患者模式表征的自注意力分层嵌入。随后，我们提出一种互补生成对抗网络（GAN）模型，通过鼓励类间最大间隔，从不确定患者中生成候选正样本与负样本。此外，CONAN 含有一个疾病检测器，在对抗训练中作为判别器以识别罕见病。我们在两项疾病检测任务上评估了 CONAN。对于低患病率炎症性肠病（IBD）检测，CONAN 取得了 .96 的精确率—召回率曲线下面积（PR-AUC），相对最佳基线提升 50.1%。对于罕见病特发性肺纤维化（IPF）检测，CONAN 取得 .22 的 PR-AUC，相对最佳基线提升 41.3%。
引用
@article{arxiv.1911.13232,
title = {CONAN: Complementary Pattern Augmentation for Rare Disease Detection},
author = {Limeng Cui and Siddharth Biswal and Lucas M. Glass and Greg Lever and Jimeng Sun and Cao Xiao},
journal= {arXiv preprint arXiv:1911.13232},
year = {2019}
}