基于分类器引导生成对抗插补网络的多器官衰竭预测
机器学习
2021-06-23 v1 人工智能
摘要
多器官衰竭（MOF）是重症监护病房（ICU）患者中死亡率极高的严重综合征。早期精确检测对临床医生及时决策至关重要。将机器学习模型应用于电子健康记录（EHRs）的一个主要挑战是缺失值的普遍存在。大多数现有插补方法处于数据预处理阶段，未能捕捉数据与下游预测结果之间的关系。本文中，我们提出分类器引导的生成对抗插补网络（Classifier-GAIN）用于 MOF 预测，以弥合此差距，其同时纳入观测数据与标签信息。具体而言，分类器从生成器（插补器）获取插补值以预测任务结果，并通过联合训练为生成器提供额外监督信号。该分类器引导的生成器在训练期间以标签感知方式插补缺失值，从而提升推理时分类器的性能。我们进行了大量实验，表明我们的方法在一系列缺失数据场景和评估指标上持续优于经典及最先进的神经基线方法。
引用
@article{arxiv.2106.11878,
title = {Multiple Organ Failure Prediction with Classifier-Guided Generative Adversarial Imputation Networks},
author = {Xinlu Zhang and Yun Zhao and Rachael Callcut and Linda Petzold},
journal= {arXiv preprint arXiv:2106.11878},
year = {2021}
}
备注
BioKDD