基于无监督和半监督深度学习的发病率和死亡率感知的深度生物学年龄开发
机器学习
2023-02-02 v1 人工智能
定量方法
摘要
背景：深度学习技术能够基于大规模数据获取潜在表示，有望成为发现新型衰老生物标志物的潜在解决方案，但现有的生物学年龄估计深度学习方法通常依赖于实际年龄，且缺乏对衰老最重要结果——发病率和死亡率的考虑。方法：本文提出一种新颖的深度学习模型，用于学习与受试者发病率和死亡率相关的生物学衰老潜在表示。该模型利用健康检查数据以及发病率和死亡率信息，学习衰老与测量临床属性之间的复杂关系。结果：所提模型在大型普通人群数据集上进行了评估，并与KDM及其他基于学习的模型进行了比较。结果表明，所提模型获得的生物学年龄在区分受试者发病率和死亡率方面具有优越的判别能力。
引用
@article{arxiv.2302.00319,
title = {Development of deep biological ages aware of morbidity and mortality based on unsupervised and semi-supervised deep learning approaches},
author = {Seong-Eun Moon and Ji Won Yoon and Shinyoung Joo and Yoohyung Kim and Jae Hyun Bae and Seokho Yoon and Haanju Yoo and Young Min Cho},
journal= {arXiv preprint arXiv:2302.00319},
year = {2023}
}