作为循环神经网络的隐马尔可夫模型：在阿尔茨海默病中的应用
机器学习
2021-10-05 v4 机器学习
应用统计
统计方法学
摘要
当患者真实健康状态不完全已知时，隐马尔可夫模型（HMMs）常用于疾病进展建模。由于HMMs通常具有多个局部最优，纳入额外的患者协变量可改善参数估计与预测性能。为此，我们发展了隐马尔可夫循环神经网络（HMRNNs），这是循环神经网络的一个特例，结合了神经网络的灵活性与HMMs的可解释性。HMRNN可退化为标准HMM，具有相同的似然函数与参数解释，但它也可将HMM与其他以患者信息为输入的预测神经网络结合。HMRNN通过梯度下降同时估计所有参数。利用阿尔茨海默病患者数据集，我们展示了HMRNN如何结合HMM与其他预测神经网络，从而改善疾病预测并提供相较于通过期望最大化训练的标准HMM而言新颖的临床解释。
引用
@article{arxiv.2006.03151,
title = {Hidden Markov models as recurrent neural networks: an application to Alzheimer's disease},
author = {Matt Baucum and Anahita Khojandi and Theodore Papamarkou},
journal= {arXiv preprint arXiv:2006.03151},
year = {2021}
}