通过适应相似任务的多任务学习实现多样罕见病死亡率预测
机器学习
2020-05-12 v2 机器学习
摘要
利用电子健康记录(EHR)数据对多样罕见病进行死亡率预测是智能医疗的关键任务。然而,数据不足与罕见病的临床多样性使得直接在单个疾病数据或不同疾病的全部数据上训练深度学习模型十分困难。对这些患不同疾病患者的死亡率预测可视为一类数据不足且任务数庞大的多任务学习问题。但训练数据极少之任务亦令多任务学习模型中任务特定模块难以训练。为应对数据不足与任务多样性的挑战,我们提出一种初始化共享多任务学习方法(Ada-Sit),其学习参数初始化以快速适应动态度量的相似任务。我们使用 Ada-Sit 在纵向 EHR 数据上训练基于长短期记忆网络(LSTM)的预测模型。实验结果证明所提模型对多样罕见病死亡率预测有效。
引用
@article{arxiv.2004.05318,
title = {Multi-task Learning via Adaptation to Similar Tasks for Mortality Prediction of Diverse Rare Diseases},
author = {Luchen Liu and Zequn Liu and Haoxian Wu and Zichang Wang and Jianhao Shen and Yiping Song and Ming Zhang},
journal= {arXiv preprint arXiv:2004.05318},
year = {2020}
}
备注
10 pages, 3 Figures, submitted to AMIA Annual Symposium