用于疾病预测的潜图学习
机器学习
2022-05-16 v2
摘要
近来，图卷积网络（GCNs）已被证明是计算机辅助诊断（CADx）与疾病预测的强有力机器学习工具。这些模型中的一个关键组件是构建群体图，其中图邻接矩阵表示成对患者相似度。迄今为止，相似度度量一直被手动定义，通常基于人口统计学或临床评分等元特征。然而，该度量的定义需要细致调参，因为 GCNs 对图结构非常敏感。本文中，我们在 CADx 领域首次证明，可针对 GCN 的疾病分类下游任务学习一个单一的最优图。为此，我们提出了一种新颖的、端到端可训练的图学习架构，用于动态且局部的图剪枝。与常用的谱 GCN 方法不同，我们的 GCN 是空间且归纳式的，因此也能推断此前未见过的患者。我们在两个医学 CADx 问题上以所学图展示了显著的分类改进。我们进一步利用人工数据集解释并可视化该结果，强调了图学习对于在医学应用中借助 GCNs 实现更准确且鲁棒推断的重要性。
引用
@article{arxiv.2003.13620,
title = {Latent-Graph Learning for Disease Prediction},
author = {Luca Cosmo and Anees Kazi and Seyed-Ahmad Ahmadi and Nassir Navab and Michael Bronstein},
journal= {arXiv preprint arXiv:2003.13620},
year = {2022}
}