基于序列变分自编码器的医疗数据整理
机器学习
2021-11-09 v2 机器学习
摘要
医疗数据集通常受噪声与缺失数据污染。这些缺失模式常被假定为完全随机，但在医疗场景中，由于传感器离线一段时间或数据以错位不均方式收集等原因，其实际以突发形式出现。本文提出使用序列变分自编码器（VAE）对具有异构数据类型与突发缺失数据的医疗记录建模。具体而言，我们提出一种新方法 Shi-VAE，将VAE的能力扩展至含缺失观测的序列数据流。我们在重症监护室数据库（ICU）与被动人体监测数据集上对比了本模型与最先进方案。此外，我们发现RMSE等标准误差度量不足以判定时序模型，故在分析中纳入真实值与插补信号间的互相关。我们表明，Shi-VAE在两项指标上均取得最佳性能，且计算复杂度低于医疗记录领域最先进方法GP-VAE模型。
引用
@article{arxiv.2103.07206,
title = {Medical data wrangling with sequential variational autoencoders},
author = {Daniel Barrejón and Pablo M. Olmos and Antonio Artés-Rodríguez},
journal= {arXiv preprint arXiv:2103.07206},
year = {2021}
}
备注
Accepted for publication in IEEE Journal of Biomedical and Health Informatics (JBHI)