通过控制深度神经网络更新过程实现连续诊断与预后
机器学习
2022-10-07 v1
摘要
连续诊断与预后对重症监护患者至关重要。它能够为及时治疗与合理资源分配提供更多机会，尤其是对于脓毒症（ICU 中的主要死因）和 COVID-19（一种新发全球性传染病）而言。尽管深度学习方法已在诸多医学任务中展现出巨大优势，但在连续模式下执行诊断与预后时，它们往往会出现灾难性遗忘、过拟合以及结果产出过晚的问题。本工作中，我们总结了该任务的三项要求，提出了时间序列连续分类（CCTS）这一新概念，并设计了一种新颖的模型训练方法——神经网络受限更新策略（RU）。在连续预后背景下，我们的方法优于所有基线，并在脓毒症预后、COVID-19 死亡率预测以及八类疾病分类上分别取得了 90%、97% 和 85% 的平均准确率。尤为突出的是，我们的方法还能赋予深度学习可解释性，具有探索疾病机制并为医学研究提供新视野的潜力。我们已实现脓毒症与 COVID-19 的疾病分期，分别发现四个阶段和三个阶段及其典型生物标志物。此外，我们的方法是一种与数据无关、与模型无关的插件，可用于对其他疾病进行带分期的连续预后，甚至在其他领域实现 CCTS。
引用
@article{arxiv.2210.02719,
title = {Continuous Diagnosis and Prognosis by Controlling the Update Process of Deep Neural Networks},
author = {Chenxi Sun and Hongyan Li and Moxian Song and Derun Cai and Baofeng Zhang and Shenda Hong},
journal= {arXiv preprint arXiv:2210.02719},
year = {2022}
}
备注
41 pages, 15 figures