从临床数据学习慢性肾脏疾病的深度表示
机器学习
2019-02-12 v2 机器学习
摘要
我们研究了当前最先进的方法——时间感知长短期记忆自编码器（Time-Aware Long Short-Term Memory Autoencoder，T-LSTM Autoencoder）在不规则采样患者数据上学习潜在表示时的行为。我们指出了此类循环神经网络模型当前使用方式中的一个关键问题，并表明该问题的解决方案在合成与真实数据集上均能显著改善所学表示。我们提供了利用临床数据表示慢性肾脏疾病（CKD）患者的改进方法的详细分析。实验结果表明，所提出的 T-LSTM 模型能够捕捉数据中的长期趋势，同时有效处理信号中的噪声。最后，我们展示通过使用从 T-LSTM 自编码器获得的 CKD 患者潜在表示，可以从目标人群中识别出异常患者画像。
引用
@article{arxiv.1810.00490,
title = {Learning Deep Representations from Clinical Data for Chronic Kidney Disease},
author = {Duc Thanh Anh Luong and Varun Chandola},
journal= {arXiv preprint arXiv:1810.00490},
year = {2019}
}