知识驱动的生成式子空间用于建模医学数据中的多视图依赖
机器学习
2018-12-04 v1 定量方法
机器学习
摘要
阿尔茨海默病(AD)的早期检测以及潜在风险/有益因素的识别，对于规划和实施及时干预或预防措施十分重要。本文中，我们学习了一个结合患者基因型与表型特征以及认知健康指标的AD疾病模型。我们提出了一种概率生成式子空间，描述多视图、多模态医学数据中依赖关系的相关、互补和领域特定语义。在领域知识引导下，利用多视图数据抽象间的潜在一致性，我们将融合建模为数据生成过程。我们展示了我们的方法可能带来：i) 可解释的临床预测；ii) 改进的AD诊断。
引用
@article{arxiv.1812.00509,
title = {Knowledge-driven generative subspaces for modeling multi-view dependencies in medical data},
author = {Parvathy Sudhir Pillai and Tze-Yun Leong},
journal= {arXiv preprint arXiv:1812.00509},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:1811.07216