LaTiM：用于预测疾病进展的连续时间模型纵向表征学习
机器学习
2024-04-11 v1 人工智能
摘要
本工作提出了一种利用时间感知神经常微分方程（NODE）分析疾病进展的新框架。我们在通过自监督学习（SSL）训练的框架中引入了“时间感知头”，以利用潜空间中的时间信息进行数据增强。该方法有效地将 NODE 与 SSL 相结合，相较于缺乏显式时间整合的传统方法，带来了显著的性能提升。我们使用 OPHDIAT 数据库展示了我们的策略在糖尿病视网膜病变进展预测中的有效性。与基线相比，所有 NODE 架构在 ROC 曲线下面积（AUC）和 Kappa 指标上均取得了统计学上的显著改善，凸显了受 SSL 启发的预训练方法的有效性。此外，我们的框架促进了 NODE 的稳定训练，这是时间感知建模中常遇到的挑战。
引用
@article{arxiv.2404.07091,
title = {LaTiM: Longitudinal representation learning in continuous-time models to predict disease progression},
author = {Rachid Zeghlache and Pierre-Henri Conze and Mostafa El Habib Daho and Yihao Li and Hugo Le Boité and Ramin Tadayoni and Pascal Massin and Béatrice Cochener and Alireza Rezaei and Ikram Brahim and Gwenolé Quellec and Mathieu Lamard},
journal= {arXiv preprint arXiv:2404.07091},
year = {2024}
}
备注
Submitted to MICCAI 2024