利用生理信号的自监督迁移学习预测不良外科事件
机器学习
2021-01-25 v2 信号处理
机器学习
摘要
全球每年进行数亿例外科手术，产生了一种普遍的电子健康记录(EHR)数据类型，即由时间序列生理信号组成的数据。在此，我们提出一种可迁移的嵌入方法（即一种将时间序列信号转换为预测机器学习模型输入特征的方法）名为 PHASE (PHysiologicAl Signal Embeddings)，使我们能够基于生理信号更准确地预测不良外科结局。我们在来自两个手术室(OR)数据集和重症监护室(ICU)数据集中超过 50,000 例手术的逐分钟 EHR 数据上评估 PHASE。在预测五种不同结局——低氧血症、低碳酸血症、低血压、高血压和苯肾上腺素给药中，PHASE 优于其他最先进的方法，例如基于原始数据训练的长短期记忆网络以及基于手工特征训练的梯度提升树。在迁移学习设定下，我们在一个数据集中训练嵌入模型，随后在未见数据中嵌入信号并预测不良事件，PHASE 以更低的计算成本实现了显著高于传统方法的预测精度。最后，鉴于临床应用中理解模型的重要性，我们展示了 PHASE 具有可解释性，并使用局部特征归因方法验证了我们的预测模型。
引用
@article{arxiv.2002.04770,
title = {Forecasting adverse surgical events using self-supervised transfer learning for physiological signals},
author = {Hugh Chen and Scott Lundberg and Gabe Erion and Jerry H. Kim and Su-In Lee},
journal= {arXiv preprint arXiv:2002.04770},
year = {2021}
}