基于半监督潜过程深度生成模型的复杂疾病轨迹建模

本文提出一种利用潜时间过程的深度生成时间序列方法，用于建模与整体分析复杂疾病轨迹。我们旨在找到潜在生成过程的有意义时间潜表示，以可解释且全面的方式解释所观察到的疾病轨迹。为增强这些潜时间过程的可解释性，我们开发了一种利用已有医学概念解耦潜空间的半监督方法。通过将生成方法与医学知识结合，我们在将医学概念整合进模型的同时，获得了发现疾病新方面的能力。我们展示了所学时间潜过程可用于进一步数据分析与临床假设检验，包括寻找相似患者及将疾病聚类为新亚型。此外，我们的方法支持包含不确定性量化的多变量时间序列个性化在线监测与预测。我们在系统性硬化症建模中证明了方法的有效性，展现出该机器学习模型捕捉复杂疾病轨迹与获取新医学知识的潜力。