基于大数据的无检测试疾病检测方法
机器学习
2025-12-10 v1
摘要
准确的疾病检测对于有效的医疗治疗和患者护理至关重要。然而，疾病检测过程常常伴随大量医学检测和巨额成本，使得对患者进行全面的医学检测以诊断或预测数百或数千种疾病变得不切实际。在本工作中，我们提出了一种名为CLDD（Collaborative Learning for Disease Detection，疾病检测的协作学习）的创新性基于图的深度学习模型，通过利用疾病之间的关联性和患者之间的相似性来构建协作学习任务。CLDD将患者-疾病交互作用和来自电子健康记录的人口统计特征整合进来，以检测每个患者可检测的成千上万种疾病，且对相应医学检测几乎没有依赖。对由61,191名患者和2,000种疾病构成的处理后的MIMIC-IV数据集上的广泛实验表明，CLDD在多个指标上 consistently 超过代表性基线，实现了召回率提升6.33%和精确率提升7.63%。此外，对个体患者的案例研究表明，CLDD能够成功地在其排名靠前的预测中恢复被遮蔽的疾病，显示出良好的可解释性和可靠性。通过降低诊断成本和提高可及性，CLDD为大规模疾病筛查和社会健康保障展现了前景。
引用
@article{arxiv.2512.07856,
title = {Medical Test-free Disease Detection Based on Big Data},
author = {Haokun Zhao and Yingzhe Bai and Qingyang Xu and Lixin Zhou and Jianxin Chen and Jicong Fan},
journal= {arXiv preprint arXiv:2512.07856},
year = {2025}
}