从多模态电子健康记录中学习模态间对应与表型
机器学习
2020-11-13 v1 定量方法
摘要
非负张量分解已被证明是一种以最小人工监督从电子健康记录(EHR)中自动发现表型的实用方案。此类方法通常需要预先建立描述模态间交互的输入张量；然而，不同模态之间的对应（例如，药物与诊断之间的对应）在实践中常常缺失。尽管可应用启发式方法估计它们，但不可避免地引入误差，并导致次优的表型质量。这对于患有复杂健康状况（例如重症监护中）的患者尤为重要，因为记录中同时呈现多个诊断和药物。为缓解此问题并从具有未观测模态间对应的EHR中发现表型，我们提出集体隐交互张量分解(collective hidden interaction tensor factorization, cHITF)，以在表型发现的同时联合推断多个模态之间的对应。我们假设每一模态的观测矩阵是未观测模态间对应的边缘化，通过最大化观测矩阵的似然来重构。在真实世界MIMIC-III数据集上开展的广泛实验表明，cHITF有效推断具有临床意义的模态间对应，发现更具临床相关性与多样性的表型，并相较于若干最先进的计算表型模型取得更优的预测性能。
引用
@article{arxiv.2011.06301,
title = {Learning Inter-Modal Correspondence and Phenotypes from Multi-Modal Electronic Health Records},
author = {Kejing Yin and William K. Cheung and Benjamin C. M. Fung and Jonathan Poon},
journal= {arXiv preprint arXiv:2011.06301},
year = {2020}
}
备注
Accepted by IEEE Transactions on Knowledge and Data Engineering (TKDE)