面向数据稀缺医院的知识引导协作学习跨中心脓毒症早期识别
机器学习
2023-03-07 v1
摘要
全球卫生资源存在显著的区域不平等。如何通过医疗机构间的知识共享，改善数据稀缺医院的医疗服务并促进卫生公平，已成为最受关注的话题之一。由于电子病历（EMR）包含敏感个人信息，隐私保护对于多医院协作不可避免且至关重要。本文针对ICU患者中的一种常见疾病——脓毒症，提出一种由医学知识引导的新型跨中心协作学习框架SofaNet，以实现该疾病的早期识别。2016年发布的Sepsis-3指南定义，脓毒症需同时满足疑似感染和序贯器官衰竭评估（SOFA）评分大于等于2方可诊断。基于该知识，SofaNet采用多通道GRU结构预测不同系统的SOFA值，这可视为一项辅助任务，为脓毒症识别生成更好的健康状态表示。此外，我们在跨中心协作学习中仅实现隐空间中的特征分布对齐，从而确保无需原始数据交换的安全合规知识迁移。在MIMIC-III和Challenge两个开放临床数据集上的大量实验表明，当医院仅有有限EMR时，SofaNet可助力脓毒症早期识别。
引用
@article{arxiv.2302.05702,
title = {Cross-center Early Sepsis Recognition by Medical Knowledge Guided Collaborative Learning for Data-scarce Hospitals},
author = {Ruiqing Ding and Fangjie Rong and Xiao Han and Leye Wang},
journal= {arXiv preprint arXiv:2302.05702},
year = {2023}
}
备注
7 pages, 2 figures