MedFACT：通过特征聚类在患者健康表示学习中建模医疗特征相关性
机器学习
2022-05-24 v2 人工智能
摘要
在医疗预测任务中，利用医疗特征之间的相关性并学习更好的患者健康表示至关重要。现有方法试图仅从数据估计特征相关性，或通过引入任务特定医学知识来提高估计质量。然而，这类方法要么因训练样本不足难以估计特征相关性，要么因依赖特定知识无法泛化到其他任务。有医学研究揭示并非所有医疗特征都强相关。因此，为解决这些问题，我们期望将强相关特征分组并以组方式学习特征相关性，从而在保持通用性的同时降低学习复杂度。本文提出通用患者健康表示学习框架 MedFACT。我们通过核方法度量医疗特征时间模式间的相似性来估计相关性，并将强相关特征聚类为组。特征组进一步被构建为相关图，我们采用图卷积网络进行组级特征交互以更好地学习表示。在两个真实数据集上的实验证明了 MedFACT 的优越性。所发现的医学结论也得到了文献证实，提供了有价值的医学见解与解释。
引用
@article{arxiv.2204.10011,
title = {MedFACT: Modeling Medical Feature Correlations in Patient Health Representation Learning via Feature Clustering},
author = {Xinyu Ma and Xu Chu and Yasha Wang and Hailong Yu and Liantao Ma and Wen Tang and Junfeng Zhao},
journal= {arXiv preprint arXiv:2204.10011},
year = {2022}
}