深度学习真的在非深度机器学习的临床生理时间序列预测上更优吗？
机器学习
2022-11-14 v1 人工智能
摘要
机器学习已广泛应用于医疗健康领域以近似复杂模型，用于临床诊断、预后与治疗。由于深度学习从时间序列中提取信息的能力突出，其在稀疏、不规则采样、多变量且不平衡的生理数据上的真实能力尚未被充分探索。本文中，我们系统考察了基于电子健康记录（EHR）——尤其是生理时间序列——的机器学习模型在临床预测任务上的表现。我们选用 Physionet 2019 挑战赛公开数据集预测 ICU 中的脓毒症（Sepsis）结局。比较了十种基线机器学习模型，包括临床预测领域常用的 3 种深度学习方法与 7 种非深度学习方法。使用九种具有特定临床含义的评估指标来评价模型表现。此外，我们对训练数据集大小进行子采样，并使用学习曲线拟合来探究训练数据集大小对机器学习模型性能的影响。我们还提出了针对生理时间序列数据的通用预处理方法，并使用 Dice Loss 处理数据集不平衡问题。结果表明，深度学习确实优于非深度学习，但需满足一定条件：首先，在使用某些特定评估指标（AUROC、AUPRC、灵敏度与 FNR）而非其他指标评估时；其次，训练数据集大小足够大（估计量级为数千）。
引用
@article{arxiv.2211.06034,
title = {Does Deep Learning REALLY Outperform Non-deep Machine Learning for Clinical Prediction on Physiological Time Series?},
author = {Ke Liao and Wei Wang and Armagan Elibol and Lingzhong Meng and Xu Zhao and Nak Young Chong},
journal= {arXiv preprint arXiv:2211.06034},
year = {2022}
}