面向噪声电子健康记录的动态标签增强与校准
机器学习
2025-06-04 v2 人工智能
摘要
医学研究，特别是预测患者结局，严重依赖从电子健康记录（EHR）中提取的医学时间序列数据，这些数据提供了患者历史记录的广泛信息。尽管经过严格检查，标签错误是不可避免的，并且会显著阻碍准确预测患者结局。为解决这一挑战，我们提出了 Attention-based Learning Framework with Dynamic Calibration and Augmentation for Time series Noisy Label Learning（ACTLL）。该框架利用两个Beta混合模型识别基于每类适度分布的确定集和不确定集中的实例，同时捕获全局时间动态，对不确定集中的标签进行动态校准或从确定集中增强置信的实例。实验在大规模EHR数据集eICU和MIMIC-IV-ED上进行，以及来自UCR和UEA存储库的几个基准数据集上，结果表明，我们的模型ACTLL在各种噪声水平下均实现了最先进的性能，尤其是在高噪声水平下。
引用
@article{arxiv.2505.07320,
title = {Dynamical Label Augmentation and Calibration for Noisy Electronic Health Records},
author = {Yuhao Li and Ling Luo and Uwe Aickelin},
journal= {arXiv preprint arXiv:2505.07320},
year = {2025}
}