Contrast Everything：一种用于医疗时间序列的分层对比框架
机器学习
2023-11-07 v4 人工智能
摘要
对比表示学习在医疗时间序列分析中至关重要，因为它减轻了对劳动密集、领域特定且稀缺的专家标注的依赖。然而，现有的对比学习方法主要关注单一数据层级，未能充分利用医疗时间序列的复杂本质。为解决此问题，我们提出 COMET，一种利用医疗时间序列中所有固有层级数据一致性的创新分层框架。我们精心设计的模型系统性地从四个潜在层级捕获数据一致性：观测层、样本层、试验层和患者层。通过在多个层级上构建对比损失，我们可以学习保留全面数据一致性的有效表示，以自监督方式最大化信息利用。我们在具有挑战性的患者无关设定下开展实验。我们使用三个不同的数据集（包括用于心肌梗死的 ECG 信号以及用于阿尔茨海默病和帕金森病的 EEG 信号）将 COMET 与六个基线进行比较。结果表明，COMET 始终优于所有基线，尤其是在所有数据集上标注数据比例为 10% 和 1% 的设置中。这些结果凸显了我们的框架在推动医疗时间序列对比表示学习技术方面的重要影响。源代码见 https://github.com/DL4mHealth/COMET。
引用
@article{arxiv.2310.14017,
title = {Contrast Everything: A Hierarchical Contrastive Framework for Medical Time-Series},
author = {Yihe Wang and Yu Han and Haishuai Wang and Xiang Zhang},
journal= {arXiv preprint arXiv:2310.14017},
year = {2023}
}
备注
Accepted by NeurIPS 2023; 24pages (13 pages main paper + 11 pages supplementary materials)