FLARe：通过学习的预期表征进行预测
机器学习
2019-12-30 v2 机器学习
摘要
在患者层面预测阿尔茨海默病进展的计算模型，是识别高风险队列以进行早期干预和治疗规划的极有用工具。该领域最先进的工作提出了利用从多模态纵向数据中提取的潜在表征进行预测的模型，包括从医学扫描提取的体素信息与人口统计学信息。这些模型通过将时间跨度（即最后一次记录访视与未来访视之间的时间间隔）的表征直接拼接至数据潜在表征上，来纳入时间跨度。本文中，我们提出一种模型，其在时间跨度上生成患者状态的潜在表征序列，从而对患者病史与未来访视之间的时间关系提供更具信息量的建模。我们提出的模型在预测准确率和 F1 分数上均优于基线，并额外具备稳健处理缺失访视的优势。
引用
@article{arxiv.1904.08930,
title = {FLARe: Forecasting by Learning Anticipated Representations},
author = {Surya Teja Devarakonda and Joie Yeahuay Wu and Yi Ren Fung and Madalina Fiterau},
journal= {arXiv preprint arXiv:1904.08930},
year = {2019}
}