基于无监督深度学习检测血流动力学应激的生理响应模式
机器学习
2019-11-14 v1 机器学习
摘要
监测对血流动力学应激的生理响应有助于确定适当的治疗方案并确保良好的患者预后。医生的直觉表明，人体对失血有多种生理响应模式，且随着失血持续而加剧，然而此类响应的确切病因与表型尚不清楚或仅在粗略层面被理解。尽管先前研究表明机器学习模型在失血检测与生存预测中表现良好，但机器学习是否有助于从原始生命体征数据中识别并刻画潜在的生理响应仍不明确。我们处理该问题的方法是：首先使用纯无监督训练的扩张因果卷积编码器模型，将高维生命体征时间序列转换为易处理的低维潜空间；其次，在嵌入中识别信息丰富的簇。通过分析潜嵌入的簇并随时间可视化，我们推测这些簇对应于符合医生直觉的生理响应模式。此外，我们尝试用多种方法评估潜嵌入，例如利用可解释特征预测簇标签。
引用
@article{arxiv.1911.05121,
title = {Detecting Patterns of Physiological Response to Hemodynamic Stress via Unsupervised Deep Learning},
author = {Chufan Gao and Fabian Falck and Mononito Goswami and Anthony Wertz and Michael R. Pinsky and Artur Dubrawski},
journal= {arXiv preprint arXiv:1911.05121},
year = {2019}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2019 - Extended Abstract