基于电子病历的深度迁移学习用于传染病病例检测
机器学习
2021-03-12 v1
摘要
在传染病大流行期间，跨地区共享电子病历或（从这些记录中学习的）模型至关重要。将一个地区的数据/模型应用于另一地区常存在分布偏移问题，违背了传统机器学习技术的假设。迁移学习可作为一种解决方案。为探索深度迁移学习算法的潜力，我们将两种基于数据的算法（域对抗神经网络与最大分类器差异）以及基于模型的迁移学习算法应用于传染病检测任务。我们进一步研究了源与目标地区数据分布差异已知的定义明确的合成场景。实验表明，在传染病分类背景下，当（1）源与目标相似且目标训练数据不足，以及（2）目标训练数据无标签时，迁移学习可能有用。基于模型的迁移学习在第一种情况下表现良好，其性能与基于数据的迁移学习模型相近。不过，仍需对真实世界研究数据中的域偏移做进一步研究，以解释性能下降。
引用
@article{arxiv.2103.06710,
title = {Deep Transfer Learning for Infectious Disease Case Detection Using Electronic Medical Records},
author = {Ye Ye and Andrew Gu},
journal= {arXiv preprint arXiv:2103.06710},
year = {2021}
}