面向纵向电子医疗数据的机器学习进展评估
机器学习
2020-10-06 v1 机器学习
摘要
基于知名 ImageNet 数据集的大规模视觉识别挑战赛催化了计算机视觉领域密集的飞速进展。基准任务以同样惊人的速度推动了机器学习的其他子领域前进，但在医疗领域，主要仍是皮肤科与放射学等图像处理任务经历了类似的基准驱动进展。在本研究中，我们对面向结构化数据的医疗机器学习基准进行了全面综述，识别出一项基于重症监护医疗信息集市（MIMIC-III）的基准，其首次允许对预测性能进行直接比较，从而得以在四项临床预测任务上评估进展：死亡率、住院时长、表型分型与患者失代偿。我们发现，尽管社区参与度高，这三年来这些任务几乎未取得有意义的进展。通过我们的元分析，我们发现深度循环模型仅在特定任务上优于逻辑回归。我们最后综合了这些结果、可能的解释，并列出未来医疗机器学习基准应具备的期望特性。
引用
@article{arxiv.2010.01149,
title = {Evaluating Progress on Machine Learning for Longitudinal Electronic Healthcare Data},
author = {David Bellamy and Leo Celi and Andrew L. Beam},
journal= {arXiv preprint arXiv:2010.01149},
year = {2020}
}