生成式可逆网络(GIN)：病理生理可解释的特征映射与虚拟患者生成
计算机视觉与模式识别
2019-02-06 v1
摘要
机器学习方法在复杂手术与介入的术前规划中扮演着日益重要的角色。然而，研究者常发现新兴外科技术(如经导管主动脉瓣置换术(TAVR))的历史记录数量极为匮乏。本文中，我们通过提出新颖的生成式可逆网络(GIN)来解决这一挑战，以筛选特征并生成高质量的虚拟患者，其有望作为机器学习的额外数据源。GIN结合卷积神经网络(CNN)与生成对抗网络(GAN)，发掘特征空间的病理生理意义。此外，一项直接使用所选特征预测手术结果的测试达到了81.55%的高准确率，表明在进行特征选择时几乎未损失病理生理信息。这证明GIN生成的虚拟患者不仅在视觉上真实，且在病理生理上可解释。
引用
@article{arxiv.1808.04495,
title = {Generative Invertible Networks (GIN): Pathophysiology-Interpretable Feature Mapping and Virtual Patient Generation},
author = {Jialei Chen and Yujia Xie and Kan Wang and Zih Huei Wang and Geet Lahoti and Chuck Zhang and Mani A Vannan and Ben Wang and Zhen Qian},
journal= {arXiv preprint arXiv:1808.04495},
year = {2019}
}