多任务学习中的任务学习：ICU 中的异质性患者群体
机器学习
2018-06-11 v1 机器学习
摘要
机器学习方法在不同临床环境中预测不良结局方面已显成效。这些模型常在具有异质性患者群体的数据集上开发与评估。然而，在总体人群上的良好预测性能并不意味着对特定亚组也有良好表现。在本工作中，我们提出一个两步框架以 1）学习相关患者亚组，以及 2）在多任务框架中预测分离患者群体的结局，其中每个群体为一个单独任务。我们展示了如何通过序列到序列自编码器以无监督方式发现相关群体。我们表明，在多任务框架中使用这些群体可改善院内死亡率在各组间及总体的预测性能。我们还强调了在处理异质性群体时对性能进行更细粒度评估的必要性。
引用
@article{arxiv.1806.02878,
title = {Learning Tasks for Multitask Learning: Heterogenous Patient Populations in the ICU},
author = {Harini Suresh and Jen J. Gong and John Guttag},
journal= {arXiv preprint arXiv:1806.02878},
year = {2018}
}
备注
KDD 2018