GenHPF：基于多任务多源学习的通用医疗健康预测框架
机器学习
2023-11-16 v3
摘要
尽管医疗健康预测模型的开发取得了显著进展，但在大规模上应用这些算法一直具有挑战性。基于一组医疗记录中特定数据格式、针对特定任务训练的算法，往往不能很好地泛化到其他任务或数据字段可能不同的数据库。为应对这一挑战，我们提出通用医疗健康预测框架（GenHPF），它适用于任何电子健康记录（EHR），仅需最少预处理即可用于多种预测任务。GenHPF通过将EHR转换为分层文本表示并尽可能纳入更多特征，解决了医疗代码与模式的异质性。为评估GenHPF的效能，我们在三个具有不同模式的公开EHR数据集上，针对12个具有临床意义的预测任务，开展了单源与多源设置下的多任务学习实验。我们的框架在多源学习中显著优于利用领域知识的基线模型，在合并学习中平均AUROC提升1.2%P，在迁移学习中提升2.6%P，同时在单一EHR数据集上训练时也展现出可比的结果。此外，我们证明结合GenHPF使用多源数据集进行自监督预训练是有效的，相较于无预训练模型AUROC提升0.6%P。通过消除预处理与特征工程的需要，我们认为该工作提供了一个坚实的多任务与多源学习框架，可用于加速医疗健康预测算法的扩展与应用。
引用
@article{arxiv.2207.09858,
title = {GenHPF: General Healthcare Predictive Framework with Multi-task Multi-source Learning},
author = {Kyunghoon Hur and Jungwoo Oh and Junu Kim and Jiyoun Kim and Min Jae Lee and Eunbyeol Cho and Seong-Eun Moon and Young-Hak Kim and Louis Atallah and Edward Choi},
journal= {arXiv preprint arXiv:2207.09858},
year = {2023}
}
备注
Accepted by IEEE Journal of Biomedical and Health Informatics