基于贝叶斯模型融合连续值医学标签
机器学习
2015-06-16 v2
摘要
随着通过可穿戴设备可用的时序医学数据量迅速增加，需要采用自动化算法对数据进行标注。标签的例子包括干预、活动变化（如睡眠）和生理变化（如心律失常）。然而，自动化算法往往不可靠，导致护理质量下降。专家标注稀缺、昂贵，并且容易出现显著的观察者间和观察者内差异。为解决这些问题，提出了一种贝叶斯连续值标签聚合器（BCLA），以提供可靠的标签聚合估计，同时准确推断每个算法的精度和偏差。BCLA被应用于从心电图估计QT间期（致心律失常指标），使用的标签来自2006年PhysioNet/Computing in Cardiology Challenge数据库。它与均值、中位数以及先前提出的期望最大化（EM）标签聚合方法进行了比较。在准确预测每个标注算法的偏差和精度的同时，BCLA的均方根误差为11.780.63ms，显著优于最佳挑战赛条目（15.372.13ms）以及EM、均值和中值投票策略（分别为14.760.52ms、17.610.55ms和14.430.57ms，且）。
引用
@article{arxiv.1503.06619,
title = {Fusing Continuous-valued Medical Labels using a Bayesian Model},
author = {Tingting Zhu and Nic Dunkley and Joachim Behar and David A. Clifton and Gari D. Clifford},
journal= {arXiv preprint arXiv:1503.06619},
year = {2015}
}