你的猜测有多深？对医疗时间序列插值的深度学习的全新视角
机器学习
2025-02-05 v2 人工智能
摘要
我们对深度学习方法进行全面分析，用于电子健康记录（EHR）时间序列插值，考察架构偏差与框架偏差如何组合影响模型性能。我们的调查揭示了深度插值器在捕捉 EHR 中复杂时空依赖关系方面的差异能力，表明模型效果取决于其组合偏差是否与医疗时间序列特征相吻合。我们的实验评估挑战了关于模型复杂度的常见假设，表明更大的模型并不一定能提高性能。相反，精心设计的架构能更好地捕捉临床数据中固有的复杂模式。该研究强调以临床意义的数据重建为优先于统计准确性的插值方法的重要性。我们的实验显示，根据预处理和实现选择，插值性能可出现最高 20% 的差异，凸显制定标准化基准方法的必要性。最后，我们确定了当前深度插值方法与医疗需求之间的关键差距，突显将临床见解整合到实现更可靠医疗插值方法中的重要性。
引用
@article{arxiv.2407.08442,
title = {How Deep is your Guess? A Fresh Perspective on Deep Learning for Medical Time-Series Imputation},
author = {Linglong Qian and Tao Wang and Jun Wang and Hugh Logan Ellis and Robin Mitra and Richard Dobson and Zina Ibrahim},
journal= {arXiv preprint arXiv:2407.08442},
year = {2025}
}