Dis-AE：真实世界临床数据上的多域多任务泛化
机器学习
2023-06-16 v1
摘要
临床数据常受到与临床无关因素的影响，例如测量设备之间的差异或不同站点之间处理方法的不同。在机器学习（ML）领域，这些因素被称为域，它们导致的数据分布差异被称为域偏移。使用某一域数据训练的 ML 模型在应用于另一域数据时往往表现不佳，可能导致错误预测。因此，开发能够跨多个域良好泛化的机器学习模型，是 ML 成功应用于临床实践中一项具有挑战性但至关重要的任务。本文提出一种新颖的解耦自编码器（Dis-AE）神经网络架构，即使数据同时受到多个交互域偏移的影响，也能学习用于医学测量多标签分类的域不变数据表示。该模型利用对抗训练来生成无法再确定其域的数据表示。我们在合成数据集以及来自献血者、初级和次级护理患者的全血细胞计数（FBC）数据上评估了模型的域泛化能力，表明 Dis-AE 在同时改善多域模型泛化的同时保留了临床相关信息。
引用
@article{arxiv.2306.09177,
title = {Dis-AE: Multi-domain & Multi-task Generalisation on Real-World Clinical Data},
author = {Daniel Kreuter and Samuel Tull and Julian Gilbey and Jacobus Preller and BloodCounts! Consortium and John A. D. Aston and James H. F. Rudd and Suthesh Sivapalaratnam and Carola-Bibiane Schönlieb and Nicholas Gleadall and Michael Roberts},
journal= {arXiv preprint arXiv:2306.09177},
year = {2023}
}
备注
17 pages main body, 5 figures, 18 pages of appendix