用于 ECG 风险分层的患者多示例学习
机器学习
2020-03-26 v4 机器学习
摘要
罹患急性冠脉综合征的患者发生心肌梗死与心血管死亡等不良心血管事件的风险升高。准确评估该风险对其诊疗过程至关重要。我们聚焦于基于患者的原始心电图(ECG)信号估计其在急性冠脉综合征后的心血管死亡风险。从该信号中学习具有挑战性,原因有二:1) 预示下游心血管事件的阳性样本稀少,导致严重的类不平衡;2) 每位患者的 ECG 信号由数千次心跳组成,且仅附带一个下游结局标签。机器学习此前已应用于该任务,但多数方法依赖手工特征与领域知识。我们提出一种利用多示例学习框架从原始 ECG 信号中学习表征的方法。我们给出了一个学习得到的心血管死亡风险评分,在 5000 名患者的数据集上预测 30、60、90 与 365 天内心血管死亡的性能优于现有风险指标。
引用
@article{arxiv.1812.00475,
title = {Multiple Instance Learning for ECG Risk Stratification},
author = {Divya Shanmugam and Davis Blalock and John Guttag},
journal= {arXiv preprint arXiv:1812.00475},
year = {2020}
}
备注
Machine Learning for Healthcare Conference (MLHC 2019)