利用几何矩阵补全在不完整数据集中进行多模态疾病分类
计算机视觉与模式识别
2018-04-02 v1
摘要
在大型人群研究和临床常规中，疾病诊断和进展预测等任务本质上基于丰富的多模态数据集合，包括影像和其他传感器数据、临床评分、表型、标签和人口统计学信息。然而，特征缺失、评分者偏差和不准确测量是现实医学数据集的典型弊病。最近研究表明，采用图卷积神经网络（GCN）的深度学习在疾病分类上可超越传统机器学习，但特征缺失仍是一个开放问题。本工作中，我们延续将多模态疾病分类建模为矩阵补全问题的思路，同时进行分类与特征的非线性插补。相较以往方法，我们将受试者排列为图结构，并通过几何矩阵补全解决分类问题，该方法模拟热扩散过程，并利用循环神经网络学习并求解。我们在基于ADNI的TADPOLE数据集上以及预测MCI向阿尔茨海默病转化的任务中展示了该方法的潜力。我们的方法取得了0.950的AUC和87%的分类准确率，优于标准线性与非线性分类器，以及相关文献中的若干SOTA结果，包括最近提出的基于GCN的方法。
引用
@article{arxiv.1803.11550,
title = {Multi-modal Disease Classification in Incomplete Datasets Using Geometric Matrix Completion},
author = {Gerome Vivar and Andreas Zwergal and Nassir Navab and Seyed-Ahmad Ahmadi},
journal= {arXiv preprint arXiv:1803.11550},
year = {2018}
}