基于临床时间序列数据的多任务学习与基准测试
机器学习
2019-08-13 v3 机器学习
摘要
医疗保健是数据挖掘与机器学习领域中最激动人心的前沿之一。电子健康记录（EHRs）的成功应用引发了可供分析的数字临床数据的爆炸式增长，但由于缺乏公开可用的基准数据集，机器学习在医疗保健研究中取得的进展一直难以衡量。为了解决这一问题，我们利用源自公开的 Medical Information Mart for Intensive Care (MIMIC-III) 数据库的数据，提出了四项临床预测基准任务。这些任务涵盖了广泛的临床问题，包括死亡风险建模、住院时长预测、生理衰退检测以及表型分类。我们为这四项任务提出了强大的线性基线与神经网络基线，并评估了深度监督、多任务训练以及针对数据的架构修改对神经网络模型性能的影响。
引用
@article{arxiv.1703.07771,
title = {Multitask learning and benchmarking with clinical time series data},
author = {Hrayr Harutyunyan and Hrant Khachatrian and David C. Kale and Greg Ver Steeg and Aram Galstyan},
journal= {arXiv preprint arXiv:1703.07771},
year = {2019}
}
备注
This version of the paper adds details about the generation of the benchmark tasks and describes improved neural baselines